以分布式短时记忆增强机器人知识顾问

在情境化环境中的人机交流涉及跨多种模态的知识表征之间复杂的相互作用。关键的是，语言信息必须与物体、位置、人物和目标的表征相关联，而这些表征可能以非常不同的方式表示。在先前的工作中，我们开发了一个顾问框架（Consultant Framework），以促进对以异构方式表示的一组知识源中信息的模态无关访问。在这项工作中，我们从认知科学中汲取灵感，用短时记忆缓冲器增强这些分布式知识源，以创建一种用于指称表达生成的STM增强算法。然后我们讨论了该方法的潜在性能优势以及可能为我们方法未来改进设计提供信息的认知科学见解。