服務機器人任務理解的關鍵技術研究.pdf

1、如今，服務機器人正在成為國內外機器人領域研究的重點。我國已經(jīng)把智能服務機器人列為未來15年重點發(fā)展的前沿技術。以家用服務機器人為主的服務機器人產(chǎn)業(yè)不斷發(fā)展，未來市場前景巨大。然而，人機交互中任務理解能力仍然是影響機器人協(xié)助人類的一個主要瓶頸，因為機器人能夠理解的知識和自然語言表達的任務之間存在巨大差距。具體表現(xiàn)為三個方面:(1)用戶指令的表達形式不僅僅是自然語言形式而且是抽象表達不足的（指代或缺省）;(2)機器人內部知識與用戶任務之間存

2、在巨大的知識缺口;(3)復雜任務到機器人原子行動的分解或規(guī)劃。因此，本文通過解決這三個方面的問題，實現(xiàn)用戶自然語言表達的任務到機器人可以執(zhí)行的原子行動的分解，從而解決任務理解所面臨的問題。
　　首先，解決用戶指令的表達形式不僅僅是自然語言形式而且是抽象表達不足的問題。由于用戶的表達是自然語言形式，機器人首先需要把用戶任務翻譯成機器人內部語義表示。在與機器人交互過程中，用戶通常會使用不同的詞匯同時會覆蓋大部分我們日常用到的詞匯表。目

3、前，通用的做法是通過標注大量樣本數(shù)據(jù)作為訓練集，并用深度學習或機器學習訓練得到語義解析器。然而，標注大量的任務訓練集是比較耗時的，同時服務機器人領域任務相關數(shù)據(jù)集較少。為了解決這個問題，本文提出從有限較小的標注集中來訓練可靠的框架語義解析器的方法，將自然語言表達的句子翻譯到框架語義表示。同時為了解決指代或缺省問題，本文提出新的啟發(fā)式方法從用戶任務的上下文信息中恢復當前任務可能缺失的語義角色。
　　其次，解決機器人內部知識與用戶任務

4、之間存在巨大的知識缺口問題。當任務句子被翻譯到框架語義表示形式時，機器人還需要對動詞框架語義做定義來補充任務規(guī)劃所需要的知識。然而，現(xiàn)存的大部分工作都是通過專家來手工編寫這類知識，使得這部分工作很耗時同時也不容易擴展通用。為了解決這個難題，本文從字典(如FrameNet)或者網(wǎng)上其它類似的資源挖掘出動詞的詞義并形式化定義，同時這些定義又可以被機器人直接處理。由于現(xiàn)存的動作描述語言并沒有給出關于這類知識的完整描述，故本文提出新的元語言框架

5、作為轉寫的常用動詞的知識以及用戶任務的表示形式?；谝陨系目蚣埽Ｓ脛釉~詞義的語義信息從字典中提取以及在元語言框架下轉寫表示。然后，這些轉寫知識可以有效填補任務理解中所缺失的知識。
　　最后，解決復雜任務到機器人原子行動的分解或規(guī)劃問題。由于現(xiàn)存的任務分解方法或者自動規(guī)劃方法都依賴于手工編寫的知識，知識也不足。本文提出基于元語言和回答集編程(ASP)的任務規(guī)劃，將元語言翻譯到ASP規(guī)則，并利用ASP自動規(guī)劃求解用戶任務，最終解決機

6、器人內部復雜任務語義形式分解為原子行動序列的問題。機器人通過執(zhí)行原子動作序列完成用戶任務。
　　綜上，本文提出利用FrameNet等語義詞典中的語義信息填補常用動詞的功能性知識，同時結合自然語言語義解析和回答集編程(ASP)自動規(guī)劃技術來提高機器人在知識不完備情況下的任務理解能力。通過在大量開放任務集中進行方法的比較，并將其應用到服務機器人“可佳”硬件系統(tǒng)中在國際標準測試中進行系統(tǒng)性的驗證。實驗表明，本文提出的若干關鍵技術及其結合

7、相較于之前方法能夠極大的提高機器人任務理解能力。
　　本文主要貢獻和創(chuàng)新點包括:
　　(1)針對用戶任務句子語言表達不足以及訓練數(shù)據(jù)量少的問題。本文提出采用參數(shù)類型依存關系特征，在少量樣本的數(shù)據(jù)集上訓練出合適的對數(shù)線性模型，同時提出基于最近鄰規(guī)則和默認規(guī)則解決上下文理解中的缺省和指代問題。實現(xiàn)了可以處理更大規(guī)模任務句子的框架語義解析器。
　　(2)針對知識缺口的問題，本文建立一種新的元語言，將過程性開放知識和功能性開放