arXiv cs.CL· Chalamalasetti Kranti, Sherzod Hakimov, David Schlangen·· 10 小时前AI 评分29
Teach-Abstract-Apply：面向协作机器人的对话驱动任务学习框架
Teach, Abstract, Apply: A Framework for Dialogue-Driven Task Learning with Collaborative Robots
AI 导读
研究提出 Teach-Abstract-Apply（TAA）框架，让操作者用自然语言向协作机器人教授新工作流，将其抽象为可复用技能并在不同场景中应用。在协作结构搭建任务上，开源权重模型 Qwen3-Coder 与闭源模型 GPT5.2-Codex 的自对弈和跨模型配置评测显示，技能抽象提升了任务成功率并降低交互成本。初步的人类在环研究还表明，该流程同样适用于人类指令。
正文 · AI 翻译
摘要：协作机器人（cobot）的设计目标是比传统工业机器人更安全、更具交互性，能与人类共享同一工作空间，并协助人类完成一系列车间任务，如码垛、联合装配和零件检测。这些任务中有许多涉及重复性工作流程，而这些流程可能随生产环境和任务规格的变化而演变。这些需求促使人们需要直观的界面，使工人能够在车间现场修改工作流程，并将这些例程泛化以供未来使用。本工作提出了 Teach-Abstract-Apply（TAA）框架，使人类操作员能够（a）以自然语言向协作机器人教授新的工作流程，（b）将所教授的工作流程抽象为技能以供后续使用，（c）在不同环境中应用这些技能。作为案例研究，我们将 TAA 框架应用于协作式结构搭建任务，并在自我对弈和跨模型配置下，使用开放权重模型（Qwen3-Coder）和闭源模型（GPT5.2-Codex）对其进行评估。我们的结果表明，技能抽象提高了任务成功率并降低了交互成本。除自动化评估外，一项初步的人在回路研究表明，该流程同样适用于人类指令。
| 评论： | 预印本 |
| 学科： | 机器人学（cs.RO）；计算与语言（cs.CL） |
| 引用为： | arXiv:2611.00297 [cs.RO] |
| （或 arXiv:2611.00297v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.00297 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kranti Chalamalasetti [查看电子邮件]
[v1]
2026年10月30日星期五 19:21:30 UTC（958 KB）
来源：arXiv cs.CL · arxiv.org