基于量化大语言模型（LLM）的智能家居机器人导航系统：模块化架构设计与老年照护应用

这篇研究创新性地提出基于大语言模型（LLM）的模块化AI代理框架（EnvNet/RoutePlanner/AIBrain），通过低比特量化技术（LoRA）实现资源受限设备部署，显著提升家居环境中自然语言交互（NLU/NLG）和导航精度（mAP 0.55）。研究为解决老龄化社会（65岁以上人口占比20.7%）居家护理难题提供了可解释性机器人解决方案，其分层决策架构（A*算法/ORB-SLAM2/YOLOv8融合）为语义导航领域树立了新范式。

1 引言

全球老龄化危机（联合国数据：2074年65岁以上人口达20.7%）催生居家护理机器人需求，但现有技术面临环境复杂性（Alterovitz et al., 2016）和非结构化交互（Coronado et al., 2017）等挑战。本研究突破性地将量化大语言模型（LLM）与模块化架构结合，通过低秩适应（LoRA）技术实现Jetson Orin NX等边缘设备部署，为解决老年居家护理的"最后一米"难题提供新思路。

2 相关研究

相比传统扫地机器人（Roomba, 2024）和对话代理（Miao et al., 2023），本研究创新点在于：

1）采用FCAF3D+R^d×r/R^r×k矩阵分解实现3D物体检测（AP@0.5=55.2）

2）通过链式思考（CoT）提示工程提升语义导航可靠性

3）建立首个融合ORB-SLAM2稀疏点云与YOLOv8实时检测的异构感知系统

3 系统架构

3.1 硬件创新

• •

  全向轮底盘：基于Mecanum轮的ΔW=W₀+BA运动模型实现零半径转向

• •

  多模态传感：RGB-D相机生成OctoMap八叉树地图，分辨率达0.05m³

3.2 软件突破

• •

  EnvNet：ORB-SLAM2构建稀疏地图→FCAF3D检测14类家具（床/书架等）→YOLOv8动态识别非固定物体

• •

  RoutePlanner：A*算法（f(n)=g(n)+h(n)）全局规划+ROS move_base局部避障

• •

  AIBrain：Llama 2经LoRA微调后，复杂指令理解准确率提升80%

4 实验验证

4.1 感知性能

• •

  FCAF3D局限：窗帘检测仅55%（因镜面反射干扰点云）

• •

  房间推断：书房误判为卧室（因沙发床干扰），准确率65.7%

4.2 决策效能

• •

  Llama 2优势：简单指令100%准确，响应时间<2秒（vs Gemma 7秒）

• •

  厨房导航：3级提示后成功率90%（卧室仅65%）

5 应用案例

成功场景："检查沙发旁窗户"任务中，CoT推理链精准分解为：

1. 1.

   语义查询→2) 空间关联→3) 路径优化（TEB算法）

   失败分析："取餐桌苹果"任务因强光导致RGB-D点云失效，揭示当前HDR成像的瓶颈

6 未来方向

1. 1.

   开发抗眩光多光谱融合感知模块

2. 2.

   构建百万级真实家居指令库

3. 3.

   探索LLM+强化学习（RL）的长期任务规划

这项研究为居家护理机器人提供了可落地的技术蓝图，其模块化设计尤其适合需要透明决策的医疗照护场景，标志着AI+机器人技术向可信赖家庭伙伴迈进的关键一步。