基于语义与物理双向纠正的机器人人类协作任务重规划
机器人学
2026-02-17 v1
摘要
人类-机器人协作 (HRC) 在装配任务中发挥着重要作用，使机器人能够根据交互式、实时人类指令规划并调整其运动。然而，这些指令常常在语言上模糊且不完整，导致难以生成可行且具协作性的机器人行为。为此，许多研究已将视觉-语言模型 (VLM) 应用于解释高层指令并生成相应动作。然而，VLM 基于的方法仍受幻觉推理和难以预见物理执行失败的限制。为此，我们提出一种 HRC 框架，通过语义与物理双向纠正机制增强 VLM 推理：一种在动作执行前验证逻辑一致性和任务可行性的内部纠正模型，以及一种通过执行后反馈检测并纠正物理故障的外部纠正模型。仿真消融实验表明，所提方法在未使用纠正模型的基线方法之上提高了成功率。我们的真实世界实验在由上臂人形机器人支持的协作装配任务中进一步确认了该框架在针对不同协作任务中的人类指令进行交互式重规划方面的有效性，验证了其实际可行性。
引用
@article{arxiv.2602.14551,
title = {Replanning Human-Robot Collaborative Tasks with Vision-Language Models via Semantic and Physical Dual-Correction},
author = {Taichi Kato and Takuya Kiyokawa and Namiko Saito and Kensuke Harada},
journal= {arXiv preprint arXiv:2602.14551},
year = {2026}
}
备注
16 pages, 8 figures