[논문 리뷰] Augmenting Knowledge through Statistical, Goal-oriented Human-Robot Dialog

Saeid Amiri, Sujay Bajracharya외 3명|arXiv (Cornell University)|2019. 07. 08.

Speech and dialogue systems참고 문헌 31인용 수 4

한 줄 요약

이 논문은 로봇이 실시간 상호작용을 통해 인간의 서비스 요청을 동시에 식별하고 지식 기반(KB)을 새로운 실체와 지칭 표현으로 보강할 수 있도록 허용하는 이중 트랙 대화 매니저를 제안한다. 의미 해석기와 확률적 대화 매니저를 사용함으로써, 시스템은 대화 경험을 통해 언어 이해력과 KB의 완전성을 향상시키며, 인간-로봇 상호작용 중 효율성과 성공률 면에서 정적 KB 기반 대비 뛰어난 성능을 발휘한다.

ABSTRACT

Some robots can interact with humans using natural language, and identify service requests through human-robot dialog. However, few robots are able to improve their language capabilities from this experience. In this paper, we develop a dialog agent for robots that is able to interpret user commands using a semantic parser, while asking clarification questions using a probabilistic dialog manager. This dialog agent is able to augment its knowledge base and improve its language capabilities by learning from dialog experiences, e.g., adding new entities and learning new ways of referring to existing entities. We have extensively evaluated our dialog system in simulation as well as with human participants through MTurk and real-robot platforms. We demonstrate that our dialog agent performs better in efficiency and accuracy in comparison to baseline learning agents. Demo video can be found at https://youtu.be/DFB3jbHBqYE

연구 동기 및 목표

• 로봇이 사전 정의된 지식 기반을 초월하여 인간-로봇 대화에서 새로운 실체와 지칭 표현을 학습할 수 있도록 하는 것.
• 대화 신뢰도와 정보 이득을 바탕으로 언제이고 어떻게 KB를 보강할지를 동적으로 결정할 수 있는 대화 시스템을 설계하는 것.
• 다단계 자연어 상호작용에서 서비스 요청 식별의 효율성과 정확도를 향상시키는 것.
• MTurk 및 실제 로봇 시험을 포함한 시뮬레이션 및 실제 세계 환경에서 인간 참가자를 대상으로 시스템을 평가하는 것.

제안 방법

• 시스템은 사용자 발화를 해석하고 의도, 실체, 속성을 추출하기 위해 하이브리드 의미 해석기를 사용한다.
• 이중 트랙 부분 관측 가능 마르코프 결정 과정(POMDP) 제어기가 대화 흐름과 KB 보강 결정을 동시에 관리한다.
• 대화 매니저는 신뢰도 추적 기능을 활용하여 언제 정의 확인 질문을 하고 언제 KB 업데이트를 시작할지를 결정한다.
• KB 보강 전략은 모호성이나 불확실성이 감지될 경우에만 새로운 실체(예: 사람, 물건)를 추가함으로써 의미적으로 유의미한 추가를 보장한다.
• 시스템은 사용자 입력을 관찰함으로써 새로운 지칭 표현(예: '나', 'Nate')을 학습하고, 새로운 이름과 그 지칭 대상자를 KB에 업데이트한다.
• 시스템은 ROS를 사용하여 세그웨이 기반 이동 로봇에 구현되었으며, 시뮬레이션, MTurk, 실제 인간 시험을 통해 평가되었다.

실험 결과

연구 질문

• RQ1 로봇이 사전 정의된 실체에 의존하지 않고 자연어 대화 중에 지식 기반을 동적으로 보강할 수 있는가?
• RQ2 실시간으로 KB를 보강하는 것이 인간-로봇 상호작용에서 대화 성공률과 효율성에 어떤 영향을 미치는가?
• RQ3 이중 트랙 대화 매니저는 정적 KB 기반 대비 사용자 경험을 향상시키는가?
• RQ4 시스템이 사용자 입력으로부터 새로운 지칭 표현(예: '나', 'Nate')을 얼마나 잘 학습할 수 있는가?
• RQ5 대화 경험에서 학습하는 능력이 고정 간격으로 KB를 업데이트하는 전략에 비해 얼마나 우수한가?

주요 결과

• 우리의 대화 에이전트는 특히 실제 로봇 시험에서 정적 KB 기반 대비 훨씬 높은 성공률을 달성했으며, 대화 라운드 수를 줄였다.
• 0.1의 신뢰도 수준에서 참가자들은 우리 에이전트를 사용할 경우 더 적은 좌절감(p=0.03)과 향후 로봇 사용에 대한 더 큰 의향(p=0.02)을 보고했다.
• 실제 상호작용 중에 'Nate'와 같은 새로운 실체와 '나'와 같은 새로운 지칭 표현을 성공적으로 학습했으며, 전체 대화 예시를 통해 이를 입증했다.
• MTurk에서의 인간 참가자들은 도메인의 단순성과 MTurk 작업에 대한 낮은 참여도로 인해 작업의 용이성이나 이해도에 유의미한 차이를 느끼지 못했다.
• 이중 트랙 POMDP 제어기가 대화 진행과 KB 보강을 균형 있게 조절하여 불필요한 정의 확인 질문을 줄이고 전체 효율성을 향상시켰다.
• 시뮬레이션 및 실제 세계 평가에서, 에이전트는 정확도와 대화 효율성 면에서 정적 KB 기반 대비 뛰어난 성능을 보였으며, 사용자 만족도 지표에서도 측정 가능한 향상이 있었다.