Mar, 2019

通过人机对话改善基于场景的自然语言理解

PDF
TL;DR该论文介绍了一种将自然语言命令翻译成离散机器人动作的方法，并使用澄清对话共同改进语言解析和概念基础。将这个代理程序训练和评估在亚马逊的 Mechanical Turk 平台上的虚拟环境，并在真实环境中将学习到的代理迁移到物理机器人平台进行演示。
natural language understandingroboticslanguage parsingconcept groundingadaptation
发现论文，激发创造
  • 通过互相反馈与代理互动，提高基于场景的语言理解能力

    探索交互式人工智能与人类协作的方向，研究在基于 Minecraft 世界的交互式语言理解任务中，人类可以提供哪些类型的辅助帮助，以提高 AI 行为的性能和表现。

    Apr, 2023

  • 上下文中理解自然语言

    本文旨在研究自然语言交互与认知机器人、知识表达形式、计划工具和翻译过程的结合应用，以提高其在日常生活中的任务完成效率。

    May, 2022

  • 利用建议提高机器人的自然语言交互

    本研究通过提出一个包含建议的协议来增加物理基础语言理解任务的交互带宽，并在块世界任务上评估了该方法的有效性，发现简单的建议可以显著提高任务性能，同时也探讨了模型自动生成建议以减少提供建议的工作量。

    May, 2019

  • 在模拟的 3D 世界中的基于场景语言学习

    通过增强和无监督学习，训练具备最少先验知识的机器人在仿真 3D 环境中理解自然语言指令，将语言符号与周围物理环境的感知表示和相关的行动序列联系起来，实现语言含义的压缩和提取，从而揭示出关于语言基于感知概念的本质和潜力。

    Jun, 2017

  • 以行动示范为导向，而非口头指示：将自然语言融入机器人可用性

    利用预训练技能约束自然语言模型以便进行真实世界的物理执行，从而实现语言驱动机器人。

    Apr, 2022

  • 在未知环境中跟随自然语言指令的学习模型

    本文提出了一个新的学习框架，使得机器人可以成功地遵循自然语言路线指令，而无需任何先前环境的知识。该算法利用通过命令传达给机器人的空间和语义信息来学习关于空间扩展环境的度量和语义属性的分布，并将自然语言指令解释为关于预期行为的分布。通过对地图和状态分布进行推理，使用模仿学习的新型置信空间规划器直接求解策略，我们在可声控轮椅上评估了我们的框架。结果表明，通过学习和推理潜在的环境模型，该算法能够成功地遵循新颖的扩展环境中的自然语言路线指令。

    Mar, 2015

  • 将语言与取放物任务结合

    本研究提出了一种基于自然语言指令的机器人系统，通过对话解决歧义，推断出物体及其关系，能够按照用户表达的空间关系成功地放置物体，具有较好的放置效果。

    Feb, 2021

  • 语言基础的信任：人机协作中的新 AI 挑战

    该论文探讨了 “语言基础” 这一挑战，旨在通过将语言绑定到真实世界的参照物中来完全理解自然语言。该研究提供了三个贡献，分别为：a）分析了人工智能技术、数据集和用户界面等方面的语言基础研究概述；b）提出并实证了与语言基础相关的六个假设的信任因素，该实验是在人机清洁组中进行的；以及 c）探讨了信任语言基础的未来研究方向。

    Sep, 2022

  • 精确高效地解读不同粒度的人机指令

    本研究通过将命令与层级规划框架中所有可用的任务或子任务联系起来，实现了一种能够在多个抽象层级上解释语言的模型。该方法提高了命令的准确性和机器人的响应速度，使机器人可以高效地在不同的任务抽象层次上进行规划。

    Apr, 2017

  • 使具有身体的代理程序理解人类指令

    提出了一种名为 tagE 的新系统，采用神经网络模型来从复杂的自然语言任务说明中提取一系列任务和相应的参数，并将这些任务映射到机器人的技能集合中，参数与环境中的对象关联。实验证明这种方法胜过坚实的基线模型。

    Oct, 2023