面向感知不确定性的神经符号推理框架：桥接连续感知与离散符号规划

将连续感知信号与离散符号推理相连接是AI系统在不确定性下运行的根本性挑战。我们提出一种神经符号框架，显式建模并传递感知到规划的不确定性，为这两种抽象层级提供原则性连接。我们的方案将基于转换器的感知前端与图神经网络（GNN）关系推理相结合，从视觉观测中提取概率符号状态，同时采用不确定性感知的符号规划器在置信度低时主动采集信息。我们在桌面机器人操控作为具体应用演示了该框架的有效性：翻译器处理10,047个PyBullet生成的场景（3-10个物体），输出带校准置信度的概率谓词（总体F1=0.68）。当嵌入规划器中，系统在Simple Stack、Deep Stack和Clear+Stack基准上分别实现94%/90%/88%的成功率（平均90.7%），超过最强POMDP基准10-14分，同时在15ms内完成规划。一种概率图模型分析在校准不确定性与规划收敛之间建立定量联系，为该框架提供理论保证并经验验证。该框架通用可适用于任何需要从感知输入到符号规划的不确定性感知推理的领域。