通过自然语言到提升 LTL 的映射实现向新领域的泛化
计算与语言
2022-03-11 v2 机器人学
摘要
近期利用自然语言为机器人指定指令的工作已将该语言接地到 LTL。然而，使用语言模型将自然语言任务规范映射为 LTL 任务规范需要有限词汇表上的概率分布。现有最先进方法已扩展该有限词汇表以包含来自输入序列的未见过术语，从而改进输出泛化。然而，使用这些方法无法生成新颖的词汇外原子命题。为克服此问题，我们引入了一种中间上下文查询表示，它可从单一正例任务规范中学习，将上下文查询与 LTL 模板相关联。我们证明该中间表示允许对未见过对象指称的泛化，假设准确的接地可用。我们将映射自然语言任务规范到中间上下文查询的方法，与能够将自然语言翻译为 LTL 的最先进 CopyNet 模型进行比较，通过评估是否能输出用于操作和导航任务规范的正确 LTL，并表明我们的方法在未见过对象指称上优于 CopyNet 模型。我们证明了我们的方法输出的接地 LTL 可用于在模拟的 OO-MDP 环境中进行规划。最后，我们讨论了将自然语言任务规范翻译为接地 LTL 时遇到的一些常见失败模式。
引用
@article{arxiv.2110.05603,
title = {Generalizing to New Domains by Mapping Natural Language to Lifted LTL},
author = {Eric Hsiung and Hiloni Mehta and Junchi Chu and Xinyu Liu and Roma Patel and Stefanie Tellex and George Konidaris},
journal= {arXiv preprint arXiv:2110.05603},
year = {2022}
}
备注
7 pages (6 + 1 references page), 3 figures, 2 tables. Accepted to ICRA 2022. To appear in Proceedings of the 2022 International Conference on Robotics and Automation, May 2022