ConceptBot：通过大语言模型与知识图谱实现机器人任务分解以提升自主性
机器人学
2025-09-03 v1
摘要
ConceptBot是一个模块化的机器人规划框架，结合了大语言模型（Large Language Models）和知识图谱（Knowledge Graph），用于生成在自然语言指令存在歧义且正确分析环境中物体 présence 的情况下可行且风险感知的计划——这些挑战通常源于缺乏常识推理能力。为此，ConceptBot集成了（i）一种对象属性提取（Object Property Extraction, OPE）模块，通过ConceptNet丰富场景理解，加入语义概念；（ii）一种用户请求处理（User Request Processing, URP）模块，用于消除歧义并结构化指令；（iii）一个规划器，用于生成情境感知、可行的抓取与放置策略。在针对Google SayCan进行的比较评估中，ConceptBot在明确任务上实现了100%成功率，在隐式任务上保持87%的准确率（SayCan为31%），在风险感知任务上达到76%（SayCan为15%），并在包括材料分类（70% vs. 20%）和毒性检测（86% vs. 36%）等应用场景中超越SayCan。在SafeAgentBench上，ConceptBot实现了80%的总体得分（相当于下一名基线的46%）。这些结果在仿真和实验室实验中均得到验证，表明ConceptBot能够在无需特定领域训练的情况下泛化，并显著提升机器人策略在非结构化环境中的可靠性。网站：https://sites.google.com/view/conceptbot
引用
@article{arxiv.2509.00570,
title = {ConceptBot: Enhancing Robot's Autonomy through Task Decomposition with Large Language Models and Knowledge Graph},
author = {Alessandro Leanza and Angelo Moroncelli and Giuseppe Vizzari and Francesco Braghin and Loris Roveda and Blerina Spahiu},
journal= {arXiv preprint arXiv:2509.00570},
year = {2025}
}