机器人正越来越广泛地用作助手，同伴或同事。这意味着以不受限制的自然语言进行指导非常重要，因为大多数用户都是非专家。自然语言处理设备使机器人可以使用自然语言与人类互动。但是，自然语言的歧义使得机器人很难识别任务并将其转变为可执行问题。
最近的论文提出了一种从自然语言指令执行任务计划的方法。如果指令中有任何歧义，该系统可以通过询问最少和有意义的问题来解决它们。同样，可以快速识别出超出机器人能力的任务。该系统可能能够正确识别95.7%的任务，并为总任务的91.1%计划生成。
随着低成本精密硬件的发展，作为同事或同居者的机器人正日益成为主流。但是，可以帮助机器人硬件使用的随附软件堆栈仍然是该过程的瓶颈，特别是如果机器人不是专门从事一项工作的话。对多功能机器人进行编程需要具有任务识别和计划生成的即时任务调度功能。如果机器人以自然语言接受人类的任务，那么问题的维度就会增加。尽管NLP和计划程序开发的最新进展可以解决各种复杂的问题，但它们在动态机器人任务处理程序中的合并却在有限的范围内使用。具体地，没有详细研究根据自然语言指令来制定计划问题的问题。在这项工作中，我们提供了一种结合NLP引擎和计划器的简单方法，以便机器人可以成功地识别任务和所有相关参数，并为任务生成准确的计划。另外，需要某种机制来解决自然语言教学中信息的歧义或缺失。因此，我们还开发了一种对话策略，旨在仅在必要时以最少的问答迭代收集其他信息。这项工作朝着在机器人中实现类似于人的任务的理解能力迈出了重要的一步。需要某种机制来解决自然语言教学中信息的歧义或缺失。因此，我们还开发了一种对话策略，旨在仅在必要时以最少的问答迭代收集其他信息。这项工作朝着在机器人中实现类似于人的任务的理解能力迈出了重要的一步。需要某种机制来解决自然语言教学中信息的歧义或缺失。因此，我们还开发了一种对话策略，旨在仅在必要时以最少的问答迭代收集其他信息。这项工作朝着在机器人中实现类似于人的任务的理解能力迈出了重要的一步。
免责声明：本文由用户上传，如有侵权请联系删除！