[论文解读] WHY: Natural Explanations from a Robot Navigator
本文提出 Why 系统，这是一种用于机器人导航的实时自然语言解释系统，通过利用一种受认知启发的机器人控制器（SemaFORR），生成符合人类理解习惯的解释。通过整合常识推理、定性空间模型和启发式置信度评估，Why 能够生成直观且上下文感知的导航决策解释——在复杂室内环境中实现实时运行，每条解释延迟低于 3ms。
Effective collaboration between a robot and a person requires natural communication. When a robot travels with a human companion, the robot should be able to explain its navigation behavior in natural language. This paper explains how a cognitively-based, autonomous robot navigation system produces informative, intuitive explanations for its decisions. Language generation here is based upon the robot's commonsense, its qualitative reasoning, and its learned spatial model. This approach produces natural explanations in real time for a robot as it navigates in a large, complex indoor environment.
研究动机与目标
- 实现机器人导航决策的自然、人性化解释，以支持协作导航。
- 通过认知上合理的推理，弥合人类与机器人导航者之间的感知与表征鸿沟。
- 解决在无地图的复杂室内环境中缺乏实时、直观的机器人行为解释的问题。
- 通过回答三个关键问题来支持信任与协作：'为何选择此动作？'、'为何不选其他动作？'、'您有多把握？'
- 开发一种可推广的解释框架，可扩展至导航之外的其他基于 FORR 的系统。
提出的方法
- 采用 SemaFORR，一种基于认知的机器人控制器，能够从传感器数据中学习紧凑且近似的空间模型，无需地图。
- 采用分层推理框架，包含多个‘顾问’（Advisors）——基于启发式的动作选择与置信度评估模块。
- 通过预定义的语言映射，将数值置信度分数（如 $G_k$、$T_k$、$L_k$）映射为自然语言短语以生成解释。
- 应用定性空间推理与常识知识，基于距离、熟悉度和障碍物规避等要素解释决策依据。
- 通过 ROS 包实现实时集成，实现低延迟解释（平均每条解释延迟 <3ms）。
- 使用 Coleman-Liau 可读性指数，确保解释文本达到约小学六年级的阅读水平，以保障广泛可及性。
实验结果
研究问题
- RQ1机器人如何生成自然语言解释，以使其导航决策直观且具备上下文敏感性？
- RQ2在实时导航过程中，能否使机器人的推理过程对人类合作者透明且认知上合理？
- RQ3如何在自然语言中有效传达决策置信度，以支持信任与理解？
- RQ4通用解释系统在多大程度上可与底层机器人控制器解耦？
- RQ5此类解释能否在复杂、大规模的室内环境中以极低计算开销实现实时生成？
主要发现
- Why 在 60m × 90m 的室内环境中导航时，能够以平均每条解释低于 3 毫秒的延迟实现实时生成自然语言解释。
- 通过 Coleman-Liau 指数测量，Why 生成的解释可读性约为小学六年级水平，确保非专业用户可轻松理解。
- 在 67.15% 的决策中，顾问之间对动作选择存在分歧（$G_k > 0.45$），表明解释生成在不确定或复杂情境下最为关键。
- SemaFORR 仅在 2.44% 的决策中表现出强置信度（$T_k > 1.5$），凸显了对低置信度决策进行细致解释的重要性。
- 在 61.13% 的所选动作与备选动作比较中，SemaFORR 自身表现出强烈偏好（$T_k - T_j > 1.5$），支持在解释生成中使用置信度指标。
- Why 生成了上下文丰富的解释，其内容根据空间模型的成熟度及顾问间的一致性水平而动态变化，如表 6 所示的决策特异性示例所示。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。