上下文中理解自然语言
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。
Mar, 2019
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
本文介绍了一种结合自然语言处理和计划生成的方法,以实现机器人的多功能任务处理和人类般的任务理解能力。同时还探讨了一种能够最小化问答迭代的对话策略来解决自然语言指令中的歧义和缺失问题。
Aug, 2020
该论文提出了基于自然语言指令的人机交互框架,通过自然语言理解、信息映射和机器人控制等模块,实现了人工建筑工人与机器人的可靠沟通,为克服建筑工作中的复杂性和不确定性问题提供了潜在的解决方案。
Jul, 2023
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
自然人类语言与机器的交互能力已经不仅仅是司空见惯,而且是被期望的。下一步不仅仅是文本界面,而是语音界面;不仅仅与电脑,而是与包括机器人在内的所有机器的交互。本文记录了近期与机器人的口头对话这一快速发展领域的历史,并提出了三项建议:第一是教育,第二是基准测试,第三是在与机器人的口头交互中对语言建模。这三项建议应该成为任何研究人员借鉴和发展的白皮书。
Apr, 2024
本文提出了一种基于多智能体交互通信的语言学习框架,在指代游戏的上下文中研究了这种学习方法,通过联系人工智能代理人彼此通信以识别随机图像,在通过调整游戏环境来提高代理人交流的自适应语言结构,并为代理人的代码提出简单的系统,从而使其更好地恰当地通信,并能更有效地与人类沟通。
Dec, 2016
本论文调查了最近关于常识推理的谈话人工智能研究,列出了相关的训练数据集,并描述了在谈话人工智能中包含常识的主要方法,讨论了用于评估谈话人工智能中常识的基准,最后对两个最先进的开放对话模型 BlenderBot3 和 LaMDA 的常识能力进行了初步观察,并对自然交互产生了负面影响,进一步激发了关于常识推理在谈话人工智能中的研究。
Feb, 2023