在认知机器人领域，本体（ontology）常被用来整合异构知识，从而支持可解释的推理，即使在知识持续更新的过程中也是如此。然而，手动构建机器人本体仍然是一个耗时且容易出错的瓶颈，限制了其在真实场景中的广泛应用。近日，一篇发表于arXiv的论文《Extracting Semantics: LLM-Guided Automatic Population of Robot Ontology from URDF》提出了一种初步方法，旨在通过大语言模型（LLM）自动从统一机器人描述格式（URDF）文件中生成填充好的机器人本体，从而减轻人工负担。
URDF文件提供了机器人的结构和运动学描述，例如连杆、关节及其连接关系，但这些描述中的标识符往往缺乏明确的语义含义，需要借助常识解释才能恢复有意义的语义。这正是LLM擅长的任务。该研究的流程利用LLM推断语义关系，具体做法是向LLM提示现有本体中的概念，确保最终分类与形式模型保持一致。这样，LLM不仅能够理解URDF中的标识符，还能将其映射到预定义的本体类别中。
为了提高可靠性，该流程结合了多种技术。首先，对多个LLM查询进行多数投票，以减少单个查询可能产生的随机错误。其次，进行语法和模式级别的验证，确保生成的输出符合预期的表示格式和本体约束。这种多层次的校验机制增强了自动生成本体的可信度，使其更接近人工构建的质量。
作者在多个机器人描述上评估了该方法，并讨论了生成的抽象表示。初步结果表明，所提出的方法能够有效地弥合低级机器人描述与人类-机器人交互所需的结构化、接地知识表示之间的差距。尽管这只是一个初步探索，但它展示了LLM在机器人本体自动构建方面的潜力，为未来更智能、更自适应的机器人系统奠定了基础。
该论文发表于第18届国际社交机器人会议（ICSR 2026），会议将于2026年7月在伦敦大学举行。论文作者包括Bastien Dussard等，来自LAAS-RIS等机构。该工作属于机器人学（cs.RO）和人工智能（cs.AI）的交叉领域，为机器人语义理解提供了一种新颖的自动化途径。