HEXAR：面向机器人的层次化解释架构
机器人学
2026-01-07 v1
摘要
随着机器人系统日益复杂，解释决策的需求变得至关重要。现有的机器人解释方法通常要么聚焦于单个模块，从而难以从高层行为的角度进行查询，要么采用单体化方法，未充分利用机器人架构的模块化特性。我们提出HEXAR（Hierarchical EXplainability Architecture for Robots，机器人层次化解释架构），一种新型框架，提供用于生成关于机器人系统解释的插件化、层次化方法。HEXAR 由针对特定机器人模块的专用解释器组成，这些解释器使用多样化的解释技术（例如 LLM 推理、因果模型、特征重要性等），由解释器选择器进行协调，为给定查询选择最合适的解释器。我们在执行助理任务的 TIAGo 机器人上实现并评估了HEXAR，分别与 end-to-end 和聚合基线方法相比，在 180 种情景-查询变体上进行了比较。我们观察到HEXAR 在根因识别、错误信息排除和运行时方面显著优于基线方法，为透明的自主系统提供了有前景的方向。
引用
@article{arxiv.2601.03070,
title = {HEXAR: a Hierarchical Explainability Architecture for Robots},
author = {Tamlin Love and Ferran Gebellí and Pradip Pramanick and Antonio Andriella and Guillem Alenyà and Anais Garrell and Raquel Ros and Silvia Rossi},
journal= {arXiv preprint arXiv:2601.03070},
year = {2026}
}
备注
8 pages, 6 figures