在可验证逻辑中建立生成式规划器：一种可信具身AI的混合架构

大型语言模型（LLMs）在具身AI中展现出作为规划器的潜力，但其随机性缺乏形式化推理，无法提供严格的物理部署安全性保证。当前方法通常依赖不可靠的LLMs进行安全检查或直接拒绝不安全计划而未提供修复方案。本文提出可验证迭代优化框架（VIRF），一种神经符号混合架构，将安全机制从被动守门转向主动协作。核心贡献是引入导师-学徒对话机制，其中基于形式化安全本体的确定性逻辑导师为LLM规划器提供因果和教学反馈，实现智能计划修复而非简单规避。同时提出可扩展的知识获取流程，从现实文档中合成安全知识库，修正现有基准的盲点。在具有挑战性的家庭安全任务中，VIRF实现了0%的危险动作率（HAR）和77.3%的目标条件率（GCR），显著优于所有基线方法，且效率高，平均仅需1.1次修正迭代。