AITL-H

🧠 LLM 理論 – 高次判断と対話を担う「知性」層

本フォルダでは、AITL-H における第3層「推論層」としての LLM（大規模言語モデル） の理論的役割と応用手法について整理します。

🧠 LLMの基本機能

LLM（Large Language Model）は、大量の自然言語データをもとに訓練されたモデルであり、以下のような機能を提供します：

ユーザの発話や命令の意図解釈
状況に応じた行動選択の提案
ロボット動作の状態記述生成
FSMやPIDに対する制御方針の出力

📐 AITL-Hにおける三層モデルでの位置づけ

層	担当機能	例
推論層（LLM）	自然言語理解・異常推定・状況判断	「寒いです」→「ファンOFF」へ
制御層（FSM）	状態遷移管理・動作選択	停止中 → 姿勢変更モード
物理層（PID）	実行制御・出力生成	モータPWM調整、ファン速度制御

LLMはこの中で「文脈の理解と適応指令生成」を担い、下位制御層を構造的に導くインタフェースとなります。

🤖 主な応用テーマ

🎯 状況認識プロンプト：センサ値や音声入力を自然言語として整理し、判断材料とする
🧩 状態記述生成：FSMの状態定義（yaml）や制御シーケンスの自動生成
🔍 異常検知と推定：出力ログを解析し、異常状態を推論（例：関節が動かない→トルク異常？）
💬 共感的対話：介護ロボットにおける情緒的応答生成

📂 構成ファイル（予定）

llm_interface.py：LLMとの入出力を扱うインタフェース（API or ローカル）
prompt_templates/：状態記述や異常判断用のプロンプトテンプレート集
examples/llm_fsm_generator.md：LLMによるFSM状態定義の自動生成例
docs/llm_usage_notes.md：プロンプト設計、構造設計の注意点と事例

🧠 今後の発展

LLMによる自己改善ループの形成
強化学習との統合による行動最適化
時系列データとの統合（LLM × センサフュージョン）

✍️ 制作者より

AITL-Hでは、LLMを単なるチャットAIとしてではなく、「構造的知性」として組み込みます。
対話や判断は構造制御の一部として捉え、FSM・PIDとの接続性を重視した設計思想に基づいています。