贝叶斯主动学习消解交互规划意图歧义
热点事件持续更新
贝叶斯主动学习消解交互规划意图歧义
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Huao Li等作者提出一个贝叶斯框架，把交互式机器人规划中的澄清过程建模为对已接地的Signal Temporal Logic（STL）任务规范的主动学习问题。方法用LLM初始化候选形式化规范，并把有信息量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，选择信息增益最大的查询。收敛后，推断出的STL规范交给形式化规划器合成可验证的机器人轨迹。 作者称，在四个仿真与真实任务域中，该方法总体取得更高任务满足度、所需澄清轮次少于LLM基线，并帮助较小模型缩小与更大推理模型的差距。该工作被CoRL 2026接收为Spotlight，并在IROS 2026 Human-Robot Dialogue workshop展示。上述效果为作者报告，尚未见独立验证。
AI 根据报道生成 · 1 小时前更新
最新进展11月4日 13:00
Bayesian Active Learning 用于交互式机器人规划中的意图消歧报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- arXiv · cs.RO精选Bayesian Active Learning 用于交互式机器人规划中的意图消歧
研究提出一个贝叶斯框架，把交互式机器人规划中的澄清过程视为对已接地的 Signal Temporal Logic（STL）任务规范的主动学习问题。方法用 LLM 初始化候选形式化规范并把有信息量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、选择信息增益最大的查询；收敛后把推断出的 STL 规范交给形式化规划器合成可验证的机器人轨迹。在四个仿真与真实任务域中，该方法总体取得更高任务满足度、所需澄清轮次少于 LLM 基线，并帮助较小模型缩小与更大推理模型的差距。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。