Данная работа представляет архитектуру VerifyLLM для автоматической валидации высокоуровневых планов задач в робототехнических системах. Предложенный подход решает критическую проблему обнаружения и исправления неявных ошибок в планировании задач до их выполнения. Экспериментальная оценка проводилась на базе метода Zero-Shot Planning с использованием GPT-2 Large (774M параметров) в качестве базовой модели планирования и тестировалась на наборе данных VirtualHome с задачами из датасета ALFRED. Исследование выявило три основных типа ошибок в генерируемых планах: пропущенные действия (7-9 на план), лишние действия (6-8 на план) и ошибки упорядочивания (14-15 на план). Интеграция модуля верификации повысила показатель корректности с 0.27 до 0.52. Система продемонстрировала наилучшую производит

Григорьев Д.С. (науч. рук. Тимченко О.В.) Превентивный анализатор безопасности роботов // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2025]. URL: https://kmu.itmo.ru/digests/article/15839