PACT：人機協作中主動詢問的持續任務輔助
在長期人機協作中，機器人需要在部分觀測下輔助使用者，並利用跨天互動歷史。然而，協作初期人類特徵和慣例未知，被動推斷後行動效率低下。為此，本文提出PACT（主動詢問持續任務輔助）框架，透過當前觀測和累積互動歷史評估上下文充分性，決定是否先澄清再行動。實驗表明，PACT在輔助準確性和澄清效用上均優於被動基線。
文章情報
要點
- 提出PACT框架，使機器人能在必要時主動詢問使用者以獲取澄清，提高輔助可靠性。
- 使用強化學習實現主要例項，並引入澄清效用指標平衡準確性和詢問頻率。
- 在多日協作場景中，PACT持續優於被動推斷方法。
為什麼重要
這條新聞值得關注，因為提出PACT框架，使機器人能在必要時主動詢問使用者以獲取澄清，提高輔助可靠性。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
在長期人機協作中，機器人需要在不完全觀測的條件下輔助使用者，同時利用跨天的互動歷史。然而，在協作初期，人類的習慣和常規通常是未知的，這使得被動的“先推斷後行動”方式效率低下且不可靠。針對這一挑戰，來自多家研究機構的團隊提出了一種名為PACT（Proactive Asking for Continual Task Assistance，主動詢問持續任務輔助）的框架。PACT採用“詢問或行動”的決策機制，根據當前觀測和累積的互動歷史來評估上下文是否充分，從而決定在採取行動前是否需要尋求使用者的澄清。這一方法使機器人能夠提供更可靠的輔助，並隨時間逐步適應使用者。研究者使用強化學習實現了其主要的學習例項，並在同一框架下評估了其他變體。為了評估行為，他們還引入了一種澄清效用指標，該指標量化了輔助準確性與澄清請求頻率之間的權衡，使得系統能夠在不同場景下找到合適的平衡點。在多日具身協作場景的實驗中，與被動推斷基線相比，PACT始終提高了輔助準確性和澄清效用，突顯了在持續人機協作中主動詢問的重要性。該框架的提出為長期人機協作中的不確定性處理提供了一種新的思路，有望在服務機器人、家庭助手、工業協作等領域得到應用。未來的工作可以探索更高效的決策策略，以及將PACT擴充套件到多使用者或環境動態變化的場景中。