技术摘要：Distill：揭示人机通信背后的真实意图

问题陈述

随着机器人融入日常环境，用户越来越依赖直观的通信范式——自然语言（NL）和终端用户编程（EUP）——来指定自主行为。然而，这两种方法都无法完全捕捉“真实”的用户意图。

• 自然语言：虽然直观，但往往不够精确且存在歧义。用户可能会发出带有隐含顺序或遗漏关键细节的指令（例如，“送药”但未指定来源，或在存在多个接收者时未指定确切接收对象）。
• 终端用户编程：虽然精确，但往往导致过度规范。用户倾向于手工构建包含不必要低级细节的符号指令序列（轨迹）（例如，“移动到衣柜”、“打开门”、“拿起拖把”），而非高层目标。这使得计划变得脆弱；如果环境发生变化（例如，拖把在另一个房间），机器人可能会失败，因为用户的轨迹过于具体地依赖于原始上下文。

核心挑战是从这些不完美的输入中提取出最小且充分的意图表达。最小表达不包含比必要更多的信息，而充分表达则包含满足用户约束和偏好所需的所有必要信息。

方法论：Distill 方法

作者提出了Distill，这是一个五阶段交互流程，旨在引导用户从原始的、直观的输入转化为提炼后的、机器人可执行的规范。该方法与具体实现无关，但为了评估目的，其被实现为一个基于 Web 的界面。

五个阶段

1. 阶段 1：自然语言（NL）：用户提供任务的自由形式描述（例如，“把药带给医生，然后跟进护士”）。
2. 阶段 2：指定轨迹：用户使用预定义的专业领域原语工具箱（例如 moveTo、grab、deliver），将自然语言描述转换为具体的、分步的任务轨迹。此阶段将用户的过程假设外化。
3. 阶段 3：过滤（逆向规划）：系统分析用户的轨迹，以识别并移除非关键动作。如果某个动作被后续动作或机器人的自主规划能力所隐含，则该动作是非关键的（例如，deliver(medication) 隐含了 grab(medication)）。用户可通过交互式验证选择覆盖这些自动化决策。
4. 阶段 4：抽象：系统提示用户决定他们关心的是具体的动作还是仅仅是结果（目标谓词）。例如，用户可以将 deliver(ibuprofen, doctor) 抽象为目标 doctor_has_ibuprofen，而不是指定具体动作。这允许机器人确定实现结果的最佳方法（例如，如果机器人无法完成，则请求护士送药）。
5. 阶段 5：分组：用户通过分组目标来指定时间偏好。这放宽了严格的顺序约束，允许机器人并行或以任意顺序执行分组内的目标，同时保持不同优先级组之间的顺序。

实现细节

原型使用 React 和 Python 构建。

• 过滤逻辑：最初，作者探索使用大型语言模型（LLM）进行过滤，但发现如果没有关于用户意图映射的明确知识，它们并不可靠。因此，他们实施了一种经典符号方法（确定性的“逆向规划”算法），以确保在研究期间获得可预测、可验证的结果。
• 评估背景：该系统在模拟医院环境中进行了测试，涉及送药和 X 光文件等任务。

主要贡献

本文做出了三项主要贡献：

1. 设计：一种结构化方法（Distill），引导用户将自然输入转化为最小化的、部分排序的关键动作集。
2. 实证证据：一项用户研究（N=61）表明，Distill 能有效 eliciting 真实用户意图，并减少任务规范中的冗余。
3. 设计启示：为未来人机交互（HRI）界面提供指导，特别是关于如何处理用户偏好、自主性感知以及自然语言与结构化轨迹之间的权衡。

实验结果

研究比较了结构化条件（用户被给予特定的真实目标）和开放式条件（用户定义自己的目标）。

定量发现

• 轨迹缩减：Distill 显著缩短了用户轨迹的长度。
  • 在结构化研究中，系统过滤将轨迹长度减少了52.5%，经用户验证后净减少59.0%。
  • 在开放式研究中，缩减幅度分别为47.7%（系统）和45.5%（净）。
• 计划效率：在结构化研究中，与原始用户轨迹相比，提炼后的轨迹导致执行计划显著缩短（减少 10–15%）。这种改进在开放式研究中不太明显，表明当目标定义明确时，Distill 的效率提升最为显著。
• 鲁棒性（新环境）：当物品放置随机化时，原始用户轨迹导致计划显著变长（表明脆弱性）。提炼后的轨迹在新环境中保持或提升了性能。例如，在结构化研究中，抽象轨迹在受干扰环境中将计划长度改善了6.8%，而原始轨迹则增加了12.6%。
• 目标达成：在结构化研究中，提炼后的轨迹在**83.9%**的案例中实现了真实目标。用户验证（阶段 3）并未显著改变目标达成率，表明自动化过滤器在大多数情况下已足够。
• 一致性：在结构化研究中，语言线索（例如“然后”、“和”）与用户在阶段 5 创建的优先级组之间存在高度一致性（85.7%）。在开放式研究中，这一比例降至 43.3%，表明结构化框架有助于用户阐明排序约束。

定性发现

• 机器人能力：用户输入深受其对机器人自主性感知的影响。一些用户由于缺乏信任而过度规范步骤（“我非常具体，因为……人们经常出错”），而另一些人则假设高自主性而规范不足。
• 偏好：即使被给予无序的真实目标，用户也常常强加自己的排序偏好（例如，“先送药，再送文件”）。
• 用户体验：大多数人认为界面易于使用，尽管有人报告在时间轴上拖拽动作存在可用性问题，且难以回溯到之前的阶段。用户表达了希望拥有分支逻辑（非线性轨迹）和模拟功能的需求。

意义与主张

本文主张，Distill成功弥合了直观的人类通信与稳健的机器人规划之间的差距。

• 细化优于推断：Distill 并非单纯依赖机器人从不完美的输入中推断意图（这可能导致错误），而是引导用户通过结构化的细化过程来澄清其意图。
• 鲁棒性：通过移除依赖环境的细节并将动作抽象为目标，Distill 生成了对环境变化更具鲁棒性的规范。
• 设计指导：研究表明，未来的 HRI 界面不应仅仅接受原始输入，而应积极搭建脚手架，帮助用户区分动作与目标，以及关键与非关键步骤。
• 局限性：作者谦逊地指出，他们的评估是在模拟环境中进行的，并使用了符号过滤器。他们承认多阶段交互存在成本，且该方法需要在物理机器人和更复杂的领域中进行验证。他们还强调，当前的符号过滤器无法检测用户错误（例如错误的参数），这表明未来需要结合 LLM 灵活性与符号保证的神经符号方法。

总之，Distill 证明，一种协作式的多阶段界面可以有效地将冗长、模糊或脆弱的人类指令转化为最小化、充分且稳健的机器人任务规范。