看不见即真实：通过主动干预减轻机器人信念惯性
计算与语言
2026-04-21 v1 人工智能
机器人学
摘要
近期大型语言模型（LLM）的进展使智能体能够通过环境交互来解决复杂的具身任务。然而，这些智能体仍会做出次优决策并执行无效动作，因为它们常常忽略与内部信念不同的关键环境反馈。通过形式化探针分析，我们将其表述为信念惯性，即智能体固执地坚持先前信念尽管明确观察到的事实。为此，我们提出主动信念干预，从被动理解转向主动管理。我们引入Estimate-Verify-Update（EVU）机制，使智能体能够预测预期结果，通过显式推理将其与观察结果核对，并根据核查证据主动更新先前信念。EVU 设计为一种统一的干预机制，可显式生成文本信念状态，可集成到基于提示和基于训练的智能体推理方法中。广泛的实验在三个具身基准测试中表明，EVU 在任务成功率上 consistently 获得显著提升。进一步分析验证，我们的方法有效缓解了信念惯性，推动了更健壮的具身智能体的发展。我们的代码已公开于 https://github.com/WangHanLinHenry/EVU。
引用
@article{arxiv.2604.17252,
title = {Seeing Isn't Believing: Mitigating Belief Inertia via Active Intervention in Embodied Agents},
author = {Hanlin Wang and Chak Tou Leong and Jian Wang and Wenjie Li},
journal= {arXiv preprint arXiv:2604.17252},
year = {2026}
}
备注
Accepted by ACL2026 Fingdings