本研究提出INPROVF框架，结合大型语言模型与形式方法，提升高层次机器人控制器的修复效率。通过将自然语言描述转化为符号表示，提供反馈并迭代生成改进方案，从而显著提高修复效率和候选质量。

该研究使用深度学习方法开发了一个专用于视觉数据表示的私有语言，并通过神经机器翻译和随机森林分类的分类层将符号表示转化为类别标签。通过两个实验，研究了从真实图像中生成的草图以及从3D运动捕获系统生成的2D轨迹，并解释了学习到的符号和嵌入。