在认知机器人领域，常识知识虽然足以满足虚拟代理的需求，但具身机器人在与人类互动时，却需要更具基础性和语义丰富性的环境及自身物理形态的表示。为了实现可解释的推理，尤其是在知识持续更新的情况下，本体的构建显得尤为重要。然而，手动构建本体仍然是一个瓶颈。
我们提出了一种初步的方法，通过将统一机器人描述格式（URDF）模型转化为已填充的本体，实现机器人语义抽象的自动生成。尽管URDF文件提供了结构和运动学描述，但其标识符往往需要通过常识解释来恢复有意义的语义，而这一任务正是大型语言模型（LLMs）擅长的。
我们的流程利用LLMs通过提示现有本体中的概念来推断语义关系，确保最终分类与正式模型保持一致。为了提高可靠性，该流程结合了多次LLM查询的多数投票，以及语法和模式级的验证，以确保生成的输出符合预期的表示格式和本体约束。
我们在多个机器人描述上评估了该方法，并讨论了生成的抽象。初步结果表明，所提方法能够有效弥补低级机器人描述与人机交互所需的结构化、基础知识表示之间的差距。
博主点评： 本文展示了如何利用LLM来自动化构建机器人本体，这一创新方式不仅解决了手动构建的瓶颈，同时也大大提升了机器人与人类交互的语义理解能力，具有广泛的应用前景。尤其是在机器人领域，语义层面的准确性至关重要，LLM的引入无疑是一次技术上的飞跃。