CLARA：面向可靠交互式机器人智能体的用户指令分类与消歧

在本文中，我们关注于利用大语言模型 (LLMs) 在交互式机器人智能体背景下推断给定用户指令是清晰、模糊还是不可行的。为解决此问题，我们首先提出一种 LLM 的不确定性估计方法，以分类指令是确定的（即清晰的）还是不确定的（即模糊或不可行的）。一旦指令被分类为不确定，我们进一步利用具有情境感知上下文的 LLM 以零样本方式区分其为模糊指令或不可行指令。对于模糊指令，我们通过使用 LLM 生成问题与用户交互来消除指令歧义。我们相信对给定指令的恰当识别可减少机器人的故障与不当行为，提升交互式机器人智能体的可靠性。我们提出了一个面向机器人情境感知的数据集，由高级指令对、场景描述以及指令类型标签（即清晰、模糊或不可行）组成。我们在收集的数据集、拾取与放置桌面仿真上验证了所提方法。最后，我们在真实世界人机交互实验（即交接场景）中展示了所提方法。