自適應機器人系統在動態、不可預測的環境中執行，未加處理的不確定性可能引發安全問題或操作故障。然而，系統地識別和分析這些不確定性——包括其來源、影響及緩解策略——是一個重大挑戰。為應對這一問題，研究人員提出了RoboULM，一種新穎的人機協同方法與工具，利用大型語言模型（LLMs）在設計階段幫助從業者系統性地探索不確定性。
RoboULM的核心在於結合了結構化的提示策略和迭代最佳化機制。從業者可以透過與LLM互動，逐步深入分析不確定性的各個方面。該方法不僅支援從系統層面到元件層面的多粒度分析，還提供了一個全面、層級化的不確定性分類法，涵蓋了自適應機器人可能遇到的各種不確定性型別，如感知噪聲、環境變化、模型誤差等。該分類法基於對真實工業系統的研究，詳細描述了每種不確定性的特徵、潛在影響以及可能的緩解措施，為從業者提供了清晰的參考框架。
為了驗證RoboULM的有效性，研究團隊在四個不同的工業應用場景中進行了評估，包括製造、物流、醫療和服務機器人領域，涉及16名具有實際經驗的從業者。評估採用了半結構化訪談和問卷調查相結合的方式，收集了參與者對方法有用性、易用性以及具體功能的反饋。評估結果顯示，參與者普遍認為RoboULM既實用又易於理解，特別讚賞結構化的提示方法，它引導分析過程並減少遺漏，同時迭代最佳化支援允許他們根據LLM的反饋不斷調整和改進分析。
這一研究工作表明，結合LLM和人機協同的技術路徑在複雜機器人系統的可靠性保障方面具有巨大潛力。RoboULM不僅降低了不確定性分析的門檻，還提供了一種可複用的方法論，有望成為未來自適應機器人設計中的重要工具。此外，研究人員計劃進一步擴充套件該框架，以支援執行時的自適應不確定性管理，並探索與數字孿生技術的整合。