語義提取：基於LLM的機器人本體自動填充方法
提出了一種利用大語言模型（LLM）從URDF模型自動生成機器人語義本體（ontology）的初步方法，透過多數投票和語法校驗提升可靠性，彌合低層描述與表徵之間的差距。
arXiv 上釋出的一篇新論文提出了一種自動化方法，利用大語言模型（LLM）從標準化機器人描述檔案（URDF）中提取語義資訊，以填充機器人本體（ontology）。該研究由LAAS-RIS的Bastien Dussard等人完成，旨在解決認知機器人學中本體手動構建的瓶頸問題。
本體在認知機器人學中扮演關鍵角色，它整合異構知識，支援可解釋的推理，即使在持續知識更新的場景下也能保持有效。然而，傳統上本體需要人工構建，效率低下。URDF 檔案提供了機器人的結構和運動學描述，但其中的識別符號通常缺乏直接語義，例如“arm_left”或“gripper”等名稱，需要常識解釋才能恢復有意義的概念。這正是大語言模型（LLM）的強項。
研究團隊的管線透過向 LLM 提示現有本體中的概念，讓其推斷 URDF 識別符號的語義關係，並確保最終分類與正式模型一致。為了提高可靠性，管線結合了多次查詢的多數投票機制，以及語法和模式級驗證，以保證輸出符合預期的表示格式和本體約束。在實驗中，他們對多種機器人（包括移動機器人、機械臂等）的URDF進行了測試，發現LLM能夠正確地將“base_link”對映到“MobileBase”等類，但偶爾也會出現歧義，例如將“head”解釋為攝像機平臺而非人體頭部。多數投票機制有效減少了這類錯誤。
初步結果表明，該方法能有效填補低層機器人描述與結構化、有根基的知識表示之間的鴻溝，這對於人機互動至關重要。論文將發表於2026年7月在倫敦舉辦的第十八屆國際社會機器人學會議（ICSR 2026）。未來工作將擴充套件本體庫，並考慮更復雜的機器人結構。