انجمن سیستم های فازی ایران سیستم های فازی و کاربردها 2717-4409 8 2 2025 12 22 Performing Complex Tasks by Robots Through Breaking Them Down into Simple Skills and Planning Using Large Language Models انجام وظایف پیچیده توسط ربات با شکستن آنها به مهارت‌های ساده و طرح‌ریزی با استفاده از مدل‌های زبان بزرگ 21 41 236232 10.22034/jfsa.2025.528449.1278 FA ولی درهمی دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران احسان خادمی دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران آلا سلطانزاده دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران Journal Article 2025 06 08 ،This paper presents, an approach for breaking down complex robotic tasks into basic skills and combining them to accomplish complex tasks. Employing robots for complex tasks poses challenges such as time-consuming learning, lack of generalizability, and limited human interaction. This paper first introduces the idea of decomposing complex tasks into simple skills, enabling a robot to learn foundational skills and thereby perform a wide variety of complex tasks. This approach reduces learning time and achieves relatively good generalizability. For task planning, large language models (LLMs) such as ChatGPT and DeepSeek are used, and their capability to generate actionable plans by combining basic skills is evaluated. Two types of instructions are given to the system: one with clear inputs and the other with fuzzy values. The results demonstrate that the mentioned LLMs not only perform well with clear inputs but also exhibit an appropriate ability to comprehend task instructions and plan actions for the robot even when faced with fuzzy inputs. Thus, with their assistance, an interactive robotic system can be developed در این مقاله، رویکردی برای شکستن وظایف پیچیده‌ی رباتیک به مهارت‌های پایه‌ای و ترکیب آن‌ها برای انجام وظایف پیچیده ارائه شده است. در به‌کارگیری ربات‌ها برای انجام وظایف پیچیده چالش‌هایی همچون زمان بر بودن یادگیری، عدم تعمیم‌پذیری، و عدم تعامل انسانی وجود دارد. در این مقاله در قدم اول ایده شکستن وظایف پیچیده به مهارت‌های ساده مطرح می‌شود تا یک ربات با یادگیری مهارت‌های پایه بتواند تنوع زیادی از مهارت‌های پیچیده را به انجام برساند. بدین‌طریق زمان یادگیری کمتر شده و تعمیم‌پذیری نسبتاً خوبی هم حاصل می‌شود. برای طرح‌ریزی وظایف، از مدل‌های زبان بزرگ مانند چت جی‌پی‌تی و دیپ‌سیک استفاده شده است که توانایی آن‌ها در ارائه‌ی برنامه‌های عملی برای ترکیب مهارت‌های پایه بررسی می‌شود. دو دسته دستورالعمل یکی با ورودی‌ها واضح و دیگری با مقادیر فازی به سیستم داده می‌شود. نتایج نشان می‌دهد که مدل‌های زبان بزرگ ذکر شده نه تنها در مواجهه با ورودی های واضح بلکه حتی در مواجهه با ورودی‌های فازی توانایی مناسبی در درک دستور وظیفه داده شده و برنامه‌ریزی اقدامات برای ربات دارند و لذا با کمک آنها یک سیستم رباتی تعاملی را می‌توان ایجاد نمود. https://jfsa.fuzzy.ir/article_236232_9dc3ef6b07dd65415d9b69529ed0ae76.pdf