自适应机器人系统在动态、不可预测的环境中运行，未加处理的不确定性可能引发安全问题或操作故障。然而，系统地识别和分析这些不确定性——包括其来源、影响及缓解策略——是一个重大挑战。为应对这一问题，研究人员提出了RoboULM，一种新颖的人机协同方法与工具，利用大型语言模型（LLMs）在设计阶段帮助从业者系统性地探索不确定性。
RoboULM的核心在于结合了结构化的提示策略和迭代优化机制。从业者可以通过与LLM交互，逐步深入分析不确定性的各个方面。该方法不仅支持从系统层面到组件层面的多粒度分析，还提供了一个全面、层级化的不确定性分类法，涵盖了自适应机器人可能遇到的各种不确定性类型，如感知噪声、环境变化、模型误差等。该分类法基于对真实工业系统的研究，详细描述了每种不确定性的特征、潜在影响以及可能的缓解措施，为从业者提供了清晰的参考框架。
为了验证RoboULM的有效性，研究团队在四个不同的工业应用场景中进行了评估，包括制造、物流、医疗和服务机器人领域，涉及16名具有实际经验的从业者。评估采用了半结构化访谈和问卷调查相结合的方式，收集了参与者对方法有用性、易用性以及具体功能的反馈。评估结果显示，参与者普遍认为RoboULM既实用又易于理解，特别赞赏结构化的提示方法，它引导分析过程并减少遗漏，同时迭代优化支持允许他们根据LLM的反馈不断调整和改进分析。
这一研究工作表明，结合LLM和人机协同的技术路径在复杂机器人系统的可靠性保障方面具有巨大潜力。RoboULM不仅降低了不确定性分析的门槛，还提供了一种可复用的方法论，有望成为未来自适应机器人设计中的重要工具。此外，研究人员计划进一步扩展该框架，以支持运行时的自适应不确定性管理，并探索与数字孪生技术的集成。