Key points are not available for this paper at this time.
Pour rendre les robots accessibles à un large public, il est essentiel de leur doter de la capacité d'utiliser des modes de communication universels, comme les commandes données en langue naturelle, et d'extraire une spécification de tâche concrète, définie à l'aide d'un langage formel tel que la logique temporelle linéaire (LTL). Dans cet article, nous présentons une approche basée sur l'apprentissage pour traduire les commandes en langue naturelle en spécifications LTL avec un très faible ensemble de données étiquetées par des humains. Cela contraste fortement avec les traducteurs existants de la langue naturelle vers la LTL, qui nécessitent de grands ensembles de données étiquetées par des humains, souvent sous forme de paires étiquetées de formules LTL et de commandes en langue naturelle, pour former le traducteur. Pour réduire la dépendance aux données humaines, notre approche génère un grand ensemble de données d'entraînement synthétiques grâce à la génération algorithmique de formules LTL, la conversion en anglais structuré, puis à l'exploitation des capacités de paraphrase des modèles de langage de grande taille modernes (LLMs) pour synthétiser un corpus diversifié de commandes en langue naturelle correspondant aux formules LTL. Nous utilisons ces données générées pour affiner un LLM et appliquons une procédure de décodage contraint au moment de l'inférence pour garantir que la formule LTL restituée est syntaxiquement correcte. Nous évaluons notre approche sur trois ensembles de données existants LTL/langue naturelle et montrons que nous pouvons traduire des commandes en langue naturelle avec une précision de 75 % avec beaucoup moins de données humaines (≤12 annotations). De plus, lorsque nous formons sur de grands ensembles de données annotées par des humains, notre méthode atteint une précision de test plus élevée (95 % en moyenne) que les travaux antérieurs. Enfin, nous montrons que les formules traduites peuvent être utilisées pour planifier des tâches multi-étapes à long terme sur un quadricoptère 12D.
Pan et al. (Mon,) ont étudié cette question.