隨著自然語言處理技術的發(fā)展以及客戶需求的提G，當機器人進入以人為主的環(huán)境時，需要學會理解人類語言，完成指定任務。相較于傳統(tǒng)只對場景做出反應的機器人操作方法，結合語義輸入，讓機器人理解人類語言，根據(jù)場景和自然語言指令完成相應任務，能為人機協(xié)作帶來更大的便利性。然而，目前該方法具有如下限制：

（1）依賴手工編碼任務符號來實現(xiàn)語義表達，限制了語義層面的泛化性。

（2）從指令中推斷動作序列時，需要密集的子目標監(jiān)督。

（3）缺乏更深層次的以目標為中心的推理方法，在解釋復雜指令時不連貫。

針對上述問題，該文章提出了一種可感知視覺場景，同時處理語言輸入的端到端可訓練的模型。該模型使用視覺輸入得到當前場景中物體在初始狀態(tài)下的位置關系，以語義文字推理目標狀態(tài)下對應的位置關系，實現(xiàn)由自然語言引導機器人進行技能操作。 相關成果以“Learning Neuro-symbolic Programs for Language Guided Robot Manipulation”為題發(fā)表于International Conference on Robotic and Automation (ICRA)會議中。

該文章提出了一種新型神經(jīng)符號模型，使用自然語言推理目標場景，實現(xiàn)在給定初始場景和目標場景的情況下即可學習執(zhí)行復雜的操作任務，并展示了如何在不需要任何中間監(jiān)督的情況下，僅使用初始與目標兩個場景作為監(jiān)督來獲取機器人操作動作的密集表示。 實驗表明，該文章的方法可通過端到端的訓練而不需進行任何子目標監(jiān)督，即可展現(xiàn)出強大的指令理解能力，并對新場景和指令展現(xiàn)出強大的泛化能力，為將來基于自然語言的人機協(xié)作，機器人的語義指令集的拓展提供了新的參考思路。

1、模型結構設計

該端到端模型的結構如圖1所示，由視覺提取器、語言解釋器、視覺解釋器、動作模擬器組成。輸入初始場景和基于自然語言的任務指令，模型輸出完成該指令所需的動作參數(shù)，以及預測完成任務后的終場景。

視覺提取器相當于一個目標檢測模型，用于識別初始場景下的物體信息。以圖11為例，輸入桌面初始狀態(tài)的圖像，視覺提取器輸出各個物體的外接框、顏色信息及物體名稱，并由外接框在桌面上的相對位置推斷物體的位置信息。

語言解釋器用于處理自然語言指令推理任務中隱含的操作動作。例如圖中“移動綠色骰子后面的紅色骰子至紅色方塊的右邊”這句指令，語言解釋器經(jīng)過推理會得到完成該任務需要進行“移動”動作，移動的物體是“位于綠色骰子后面的紅色骰子”，目標是“紅色方塊右邊”，并可屏蔽“綠色方塊”和“藍色骰子”這些與完成任務無關的信息。推理完畢后，以專用指令集組合出推理結果。

專用指令集的結構如圖2所示，分為“關鍵詞”和“操作詞”，前者用于描述物體信息，后者用于表示操作信息。

視覺解釋器結合前二者輸出的場景信息和任務指令集，輸出完成該任務所需的參數(shù)化表示，交由任務模擬器生成機器人所能執(zhí)行的動作參數(shù)，并預測完成任務后的場景情況。

以預測場景和數(shù)據(jù)集中提前設定好的目標場景做差，設置損失函數(shù)，即可實現(xiàn)端到端的訓練過程。