贝叶斯主动学习用于机器人规划意图消歧

贝叶斯主动学习加 LLM 澄清，可减少机器人意图消歧轮次。

资讯摘要

论文提出一种贝叶斯框架，将交互式机器人规划中的澄清过程视为对已落地的信号时序逻辑（STL）任务规范的主动学习问题。方法用大语言模型初始化候选形式化规范并把信息量大的对比转成自然语言澄清问题，同时用贝叶斯优化维护对用户意图的不确定性估计并选择信息增益最大的查询；收敛后将推断出的 STL 规范交给形式化规划器生成可验证轨迹。作者报告在四个仿真与真实任务域中，该方法总体任务满足率更高、澄清轮次少于 LLM 基线，并帮助较小模型缩小与较大推理模型的差距。

要点速读

1. 论文将澄清建模为对已落地 STL 任务规范的主动学习问题，用贝叶斯优化估计用户意图不确定性并选择信息增益最大的查询。
2. LLM 负责初始化候选形式化规范，并把信息量大的对比转写为自然语言澄清问题；收敛后的 STL 规范交由形式化规划器合成可验证轨迹。
3. 作者报告在四个仿真与真实任务域中任务满足率总体更高、澄清轮次少于 LLM 基线，并帮助较小模型缩小与较大推理模型的差距。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。