具身消歧的主动感知

摘要

自然语言为机器人提供了灵活的任务接口，但具身环境中的目标歧义不仅源于用户意图，还可能由于当前观测中缺乏任务相关的物理证据。现有交互式消歧方法主要靠询问用户获取额外信息，而遮挡、视角受限、文本不可读及未观测目标要求机器人主动改变观测。我们提出一种用于具身目标消歧的主动感知框架，以主动观测为信息获取骨干，利用视觉-语言模型根据累积视觉证据和交互信息决定是继续观测、请求澄清还是完成目标选择。主动观测既能直接恢复缺失的分辨性证据，也能揭示对象名称、标签和语义属性，从而在必要时改进用户澄清。真实机器人实验表明，该框架在统一的具身消歧过程中结合了物理信息获取和用户意图澄清。