(自左起)人工智能融合学系教授 Kim Euihwan、硕博连读生 Jang Wonsik。

(自左起)人工智能融合学系教授 Kim Euihwan、硕博连读生 Jang Wonsik。

View original image

光州科学技术院(GIST)2日表示,人工智能融合学系教授 Kim Euihwan 研究团队开发出一种“人工智能(AI)机器人导航技术(Context-Nav)”,能够让机器人在三维空间中理解人类用句子描述的物体并将其准确找出。


该技术在分析物体颜色、形状等物理特征的同时,还综合分析其与其他物体之间的相对位置关系,展现出向各类服务机器人领域拓展的可能性。


在室内环境中执行清扫、配送、引导等多种任务的自主机器人(服务机器人),要想理解并准确执行人类的语言指令,就必须综合把握周围物体及其空间位置关系。


以往研究主要采用“强化学习(Reinforcement Learning)”方式,让机器人通过反复尝试与失败,自主学习行动策略并寻找最优行为,但这一方式需要海量数据和高昂的训练成本。

利用长句描述的三维语境基础机器人探索过程。

利用长句描述的三维语境基础机器人探索过程。

View original image

为解决上述问题,研究团队提出了一种方法:在机器人探索过程中充分利用人类提供的整句长文本描述,使机器人同时理解目标物体的特征以及其与周围物体之间的三维空间关系。比如,当人类发出“帮我找到客厅沙发旁边桌子上的那本红色书”这样的指令时,机器人并非只将其理解为简单的物体信息,而是将其解读为三维空间中的位置信息。


机器人首先利用RGB摄像头和深度传感器感知周围环境,实时确认与描述内容高度吻合的区域。随后计算候选空间与目标之间的匹配度,并将评分记录在“价值地图(Value Map)”上。


之后,以得分最高的区域为中心决定高效的探索路径。当发现候选物体时,机器人利用同时理解图像和文本信息的视觉语言模型(Vision Language Model)来确认其属性,并通过三维空间推理,精确验证其与周围物体之间的空间位置关系(上、下、左、右、前、后)。


研究团队的技术在评估机器人对包含物体关系、颜色、形状等细致属性的长句理解能力的“目标查找测试(CoIN?Bench)”中也展现出优异表现。与传统做法中通过反复尝试与失败来自主学习寻找目标最优行为的一般强化学习不同,该技术在无需额外训练的情况下就取得了20.3%的成功率,性能约为传统强化学习方法(8.9%)的2.3倍。


尤其是,本研究证明:在三维空间中解释人类的语言描述,综合反映整句文本语境,从最有可能的位置开始移动与探索,并进一步验证与周围物体的空间位置关系这一策略,能够显著提高机器人行为的准确度。此外,越是充分将整句长文本描述融入探索过程,不必要的移动就越少,通过在多个视角下以三维方式反复确认位置关系,机器人将目标物体误识别的情况也会随之减少。


Kim Euihwan 教授表示:“本次研究提出了一项精细技术,使机器人对环境的理解从仅仅关注物体自身特征,提升到同时理解其周围语境和三维空间关系的层面。该技术无需针对特定任务进行额外训练或调整,就能直接应用于新的空间或首次接触的物体描述,有望成为今后提升室内服务机器人和智能机器人系统实际应用可能性的关键基础技术。”



本次研究由人工智能融合学系教授 Kim Euihwan 指导、硕博连读生 Jang Wonsik 执行,获得了科学技术信息通信部和韩国研究财团优秀青年研究者支持项目、信息通信规划评价院(IITP)“问题假设与自监督基础的自主视觉智能技术开发”项目、国家科学技术研究会(NST)Global TOP 战略研究团项目等的资助。研究成果已于2026年3月18日预先公开在国际学术预印本平台“arXiv”上,并将于人工智能领域权威国际学术会议——计算机视觉与模式识别大会(Computer Vision and Pattern Recognition Conference,CVPR 2026)上进行发布。


本报道由人工智能(AI)翻译技术生成。

版权所有 © 阿视亚经济。未经许可不得转载,禁止用于AI训练及使用。

不容错过的热点