语义提取：基于LLM的机器人本体自动填充方法
提出了一种利用大语言模型（LLM）从URDF模型自动生成机器人语义本体（ontology）的初步方法，通过多数投票和语法校验提升可靠性，弥合低层描述与表征之间的差距。
arXiv 上发布的一篇新论文提出了一种自动化方法，利用大语言模型（LLM）从标准化机器人描述文件（URDF）中提取语义信息，以填充机器人本体（ontology）。该研究由LAAS-RIS的Bastien Dussard等人完成，旨在解决认知机器人学中本体手动构建的瓶颈问题。
本体在认知机器人学中扮演关键角色，它整合异构知识，支持可解释的推理，即使在持续知识更新的场景下也能保持有效。然而，传统上本体需要人工构建，效率低下。URDF 文件提供了机器人的结构和运动学描述，但其中的标识符通常缺乏直接语义，例如“arm_left”或“gripper”等名称，需要常识解释才能恢复有意义的概念。这正是大语言模型（LLM）的强项。
研究团队的管线通过向 LLM 提示现有本体中的概念，让其推断 URDF 标识符的语义关系，并确保最终分类与正式模型一致。为了提高可靠性，管线结合了多次查询的多数投票机制，以及语法和模式级验证，以保证输出符合预期的表示格式和本体约束。在实验中，他们对多种机器人（包括移动机器人、机械臂等）的URDF进行了测试，发现LLM能够正确地将“base_link”映射到“MobileBase”等类，但偶尔也会出现歧义，例如将“head”解释为摄像机平台而非人体头部。多数投票机制有效减少了这类错误。
初步结果表明，该方法能有效填补低层机器人描述与结构化、有根基的知识表示之间的鸿沟，这对于人机交互至关重要。论文将发表于2026年7月在伦敦举办的第十八届国际社会机器人学会议（ICSR 2026）。未来工作将扩展本体库，并考虑更复杂的机器人结构。