VLM-DEWM：面向可验证和鲁棒视觉语言规划的动态外部世界模型

视觉语言模型（VLM）在智能制造中的高层规划中展现出潜力，但其在动态工作单元中的部署面临两个关键挑战：（1）无状态操作，无法持续跟踪视野外的状态，导致世界状态漂移；（2）推理不透明，故障难以诊断，导致代价高昂的盲目重试。本文提出了VLM-DEWM，一种认知架构，通过可持久化、可查询的动态外部世界模型（DEWM）将VLM推理与世界状态管理解耦。每个VLM决策被结构化为一个可外部化的推理轨迹（ERT），包括动作建议、世界信念和因果假设，并在执行前与DEWM进行验证。当发生故障时，预测状态与观测状态之间的差异分析能够实现针对性恢复，而非全局重新规划。我们在多工位装配、大规模设施探索和真实机器人恢复任务中评估了VLM-DEWM。与基线记忆增强型VLM系统相比，VLM-DEWM将状态跟踪准确率从56%提升至93%，恢复成功率从低于5%提升至95%，并通过结构化记忆显著降低了计算开销。这些结果确立了VLM-DEWM作为动态制造环境中长期机器人操作的可验证且鲁棒的解决方案。