USTC-WrightEagle-AI/26-WrightEagle.AI-MHRC-planning

# 基于 LLM 的任务规划系统 [](https://www.python.org/) ## 概述 本项目实现了 **MHRC 框架的单机器人变体**，专为 RoboCup@Home 竞赛设计。该系统利用大型语言模型（LLM）进行自然语言理解和任务规划，采用模块化架构，包含四个核心组件：Observation、Memory、Planning 和 Execution。 ### 模块说明 | 模块 | 功能 | 实现状态 | |--------|--------------|----------------------| | **Observation** | 从 navigation、perception 和 manipulation 组件收集信息。 | ✅ 基础实现 | | **Memory** | 记录任务执行历史和来自环境的反馈。 | ✅ 基础实现 | | **Planning** | 基于 LLM 的任务分解，将任务分解为预定义的动作序列。 | ✅ 完整实现 | | **Execution** | 动作执行、状态监控和反馈收集。 | ✅ 模拟实现 | ## 项目结构 ``` LLM/ ├── src/ # Source code │ ├── main.py # Entry point │ ├── config.py # Configuration │ ├── config_local.example.py # Configuration template │ ├── robot_controller.py # Main controller │ └── modules/ # Four core modules │ ├── observation/ # Observation module │ │ ├── observer_interface.py # Observer interface │ │ └── observers.py # Concrete observer implementations │ ├── memory/ # Memory module │ │ └── memory_manager.py # Memory manager │ ├── planning/ # Planning module │ │ ├── llm_client.py # LLM client │ │ ├── prompts.py # Prompt templates │ │ ├── schemas.py # Action schemas │ │ └── planner.py # Task planner │ └── execution/ # Execution module │ ├── executor.py # Action executor │ ├── mock_robot.py # Mock robot (for testing) │ ├── robot_interface.py # Robot interface definition │ └── feedback.py # Feedback collector ├── demo/ # Demo scripts ├── tests/ # Test cases ├── requirements.txt # Dependencies └── setup.sh # Setup script ``` ## 快速开始 ### 1. 环境设置 **使用自动设置脚本（推荐）：** ``` # 克隆 repository git clone https://github.com/USTC-WrightEagle-AI/LLM.git cd LLM ```bash # 克隆 repository git clone https://github.com/USTC-WrightEagle-AI/LLM.git cd LLM # 运行 setup script bash setup.sh ``` 该脚本将： - 创建一个名为 `cade` 的 conda 环境（Python 3.11） - 从 `requirements.txt` 安装所有依赖项 - 从模板创建配置文件 **手动设置：** ``` # 创建 conda environment conda create -n cade python=3.11 -y conda activate cade # 安装 dependencies pip install -r requirements.txt # 复制 configuration template cp src/config_local.example.py src/config_local.py ``` ### 2. LLM 配置 **选项 A：云端 API（推荐用于开发）** ``` # 编辑 configuration file nano src/config_local.py # 添加你的 API key # 支持的 providers: DeepSeek, Alibaba DashScope, OpenAI-compatible APIs ``` **选项 B：本地 Ollama** ``` # 安装 Ollama curl -fsSL https://ollama.com/install.sh | sh # Pull model ollama pull qwen2.5:3b # 在 config_local.py 中配置 MODE = RunMode.LOCAL ``` ### 3. 运行系统 ``` # 进入 source directory cd src # Interactive mode python main.py # Test mode (预定义 scenarios) python main.py --test # Demo mode python main.py --demo # Debug mode python main.py --mode debug ``` ### 4. 示例命令 ``` User: Hello User: Go to the kitchen User: Help me find an apple User: Place the apple on the table User: status # Check robot status User: stats # View statistics User: quit # Exit ``` ## 预定义动作集 遵循 MHRC 框架，我们的系统将自然语言指令分解为一系列预定义动作： | 动作 | 描述 | 参数 | 示例 | |--------|-------------|-----------|---------| | `navigate` | 导航到目标位置 | `target`：位置名称或坐标 | `{"type": "navigate", "target": "kitchen"}` | | `search` | 在环境中搜索物体 | `object_name`：目标物体名称 | `{"type": "search", "object_name": "apple"}` | | `pick` | 抓取目标物体 | `object_name`，`object_id`（可选） | `{"type": "pick", "object_name": "bottle"}` | | `place` | 将手持物体放置在指定位置 | `location`：目标放置位置 | `{"type": "place", "location": "table"}` | | `speak` | 输出语音内容 | `content`：要朗读的文本 | `{"type": "speak", "content": "Task completed"}` | | `wait` | 等待 / 无操作 | `reason`（可选）：等待原因 | `{"type": "wait", "reason": "awaiting user"}` | 这些动作使用 **Pydantic schemas** 进行验证，以确保格式正确和类型安全。

标签：AI风险缓解, C2, DLL 劫持, LLM, MHRC, Petitpotam, Python, RoboCup@Home, Unmanaged PE, 人工智能, 人机交互, 任务分解, 任务规划, 决策系统, 动作执行, 大语言模型, 导航, 无后门, 智能家居, 服务机器人, 机器人, 机器人控制, 模块化架构, 环境感知, 用户模式Hook绕过, 认知框架, 逆向工具