# 自主挖掘

大语言模型指挥的挖掘机可能执行机械上可行、但目的地或权限已不再匹配操作员批准的动作。为此，研究把授权绑定到具体运动：一次性租约同时绑定动作、生成的运动、任务合同与准入容差，派发时原子地复核当前权限与实测关节漂移，并在权限被撤销时请求带载俯仰的五次多项式停车。在672例接口套件中，网关放行全部120例良性用例，攻击套件零次未授权派发；同步仿真中，卸料阶段撤销权限时关闭区最大卸料量从1.23降到0.33立方米。

大语言模型指挥的挖掘机可能执行机械上可行、但目的地或权限已不再匹配操作员批准的动作。为此，研究把授权绑定到具体运动：一次性租约同时绑定动作、生成的运动、任务合同与准入容差，派发时原子地复核当前权限与实测关节漂移，并在权限被撤销时请求带载俯仰的五次多项式停车。在672例接口套件中，网关放行全部120例良性用例，攻击套件零次未授权派发；同步仿真中，卸料阶段撤销权限时关闭区最大卸料量从1.23降到0.33立方米。

该工作提出一个面向连续自主挖掘的学习型框架，将地形感知的目标选择与强化学习和模仿学习控制器结合：共享的任务条件RL策略负责航点引导的接近与负载运输，IL策略从专家演示中学习基于视觉的挖掘与提升，挖掘目标由LiDAR高程图选出并转换为铲斗尖端航点；系统部署在带多模态传感与闭环执行器控制的缩放液压挖掘机上，离线回放与物理实验显示目标选择更一致、局部运动时间更短、载荷更高，学习型挖掘策略每完成循环平均载荷6.52 kg，而Fixed Dig为2.68 kg，三次五铲运行进一步展示了在持续变化的料堆几何下连续自主挖掘。

该工作提出一个面向连续自主挖掘的学习型框架，将地形感知的目标选择与强化学习和模仿学习控制器结合：共享的任务条件RL策略负责航点引导的接近与负载运输，IL策略从专家演示中学习基于视觉的挖掘与提升，挖掘目标由LiDAR高程图选出并转换为铲斗尖端航点；系统部署在带多模态传感与闭环执行器控制的缩放液压挖掘机上，离线回放与物理实验显示目标选择更一致、局部运动时间更短、载荷更高，学习型挖掘策略每完成循环平均载荷6.52 kg，而Fixed Dig为2.68 kg，三次五铲运行进一步展示了在持续变化的料堆几何下连续自主挖掘。