همکاری انسان و ربات که توسط زبان طبیعی (NL) تسهیل میشود، توجه فزایندهای را در تحقیقات رباتیک مرتبط با انسان به خود جلب کرده است. در این فرآیند، انسان با استفاده از دستورالعملهای گفتاری یا نوشتاری برای همکاری با یک ربات ارتباط برقرار میکند [۱,۲,۳,۴]. استفاده از زبان طبیعی امکان ادغام هوش انسانی در برنامه ریزی وظایف سطح بالا را با قابلیت های فیزیکی ربات مانند نیرو، دقت و سرعت فراهم می کند. [۵]در اجرای وظایف سطح پایین، که منجر به عملکرد بصری کار می شود [۶,۷].
در یک فرآیند اجرای ربات معمولی با دستور NL، یک انسان دستورالعملهای گفتاری را به ربات میدهد تا اجرای ربات را برای بهبود عملکرد اصلاح کند. حسگرهای نصب شده بر روی یک ربات صدای انسان را ضبط کرده و با استفاده از تکنیک های تشخیص گفتار به NL نوشته شده ترجمه می کنند. سپس درک NL برای تجزیه و تحلیل قصد کاربر برای انجام وظایف مورد انتظار انسان اجرا می شود. عملکرد یک ربات توسط عوامل متعددی از جمله وضعیت فعلی ربات، دستورالعمل های گفتگو، قصد کاربر و حافظه ربات تعیین می شود. با استفاده از تولید NL و سنتز گفتار، یک ربات به سوال کاربر پاسخ می دهد و در صورت نیاز درخواست کمک می کند. با حسگرهای تشخیص گفتار و حسگرهای محیطی، درک وظایف انسان در تصمیم گیری ربات با بهبود عملکرد و قابلیت اطمینان یکپارچه خواهد شد.
اجرای ربات با دستور انسان با استفاده از نشانه های لمسی کاربردهای زیادی دارد، مانند شناسایی حالت های تماس انسان و ربات (حالت های لمسی بین ربات و بدن انسان) بر اساس مکان تماس. [۸]اندازه گیری نیروهای کنترل دستی برای کنترل پایدار قوی یک سیستم غیرفعال [۹]نشانه های بصری، مانند برآورد قصد با درک توجه انسان بر اساس حرکات یا حالت بدن [۱۰,۱۱,۱۲] و درک رفتار انسان بر اساس تشخیص حرکت برای انتقال مهارت ها به روبات های انسان نما [۱۳,۱۴,۱۵]. در مقایسه، اجرای ربات با استفاده از نشانه های گفتاری NL دارای چندین مزیت است. اول، NL اجرای ربات های دستوری انسان را طبیعی می کند. برای روشهای سنتی فوق الذکر، لازم است انسان درگیر در اجرای رباتها تحت آموزش قرار گیرد تا از اعمال و حالتهای خاصی استفاده کند که درک را تسهیل میکند. [۱۶,۱۷,۱۸,۱۹,۲۰]. در NLexe، حتی کاربران غیر متخصص و بدون آموزش قبلی می توانند با استفاده از زبان طبیعی به طور مستقیم با یک ربات همکاری کنند. [۲۱,۲۲]. دوم، NL درخواست های اجرا را به طور دقیق توصیف می کند. روشهای سنتی که بر کنشها و حالتها متکی هستند، فقط الگوهای محدودی را برای درخواستهای اجرای تقریبی ارائه میدهند، در درجه اول به دلیل از دست دادن اطلاعات ذاتی در سادهسازی کنشها و حالتها (به عنوان مثال، استفاده از نشانگرها برای سادهسازی کنشها) [۲۳,۲۴,۲۵]. در حالی که در NLexe، درخواست های اجرایی مربوط به عمل، سرعت، ابزار و مکان قبلاً در عبارات NL تعریف شده است. [۶,۲۶,۲۷]. با این عبارات، درخواست های اجرایی برای اجرای وظایف مختلف به طور دقیق توصیف می شوند. سوم، NL درخواست های اجرا را به طور موثر انتقال می دهد. روش انتقال اطلاعات با استفاده از اقدامات/موضوعات مستلزم طراحی الگوهای مختلف برای درخواستهای اجرایی مختلف است. [۲۳,۲۴,۲۵]. در حالی که زبان های موجود، مانند انگلیسی، چینی و آلمانی، از قبل ساختارهای زبانی استانداردی دارند که شامل عبارات مختلفی برای خدمت به عنوان الگو هستند. [۲۸,۲۹]. روشهای مبتنی بر NL نیازی به طراحی الگوهای خاص برای درخواستهای اجرایی مختلف ندارند، که اجرای رباتهای دستوری انسان را کارآمد میسازد. در نهایت، از آنجایی که دستورالعملها به صورت شفاهی ارائه میشوند، بهجای درگیری فیزیکی انسان، دستهای انسان برای اجرای اعدامهای مهمتر آزاد میشوند، مانند «چاقو بگیرید و لیمو را برش دهید». [۳۰,۳۱]. NLexe به دلیل مزایای متعددی که دارد به طور گسترده در حوزه اتوماسیون مورد تحقیق قرار گرفته است. کاربردهای آن در حوزههای مختلفی از جمله برنامهریزی وظایف و مدیریت رویدادهای غیرمنتظره برای کمکهای روزانه را شامل میشود [۳۱,۳۲]ارتباط صوتی و کنترل ربات های اشتراک دانش در حوزه مراقبت های پزشکی [۳۳,۳۴,۳۵,۳۶]NL به اتوماسیون تولید با یادگیری شکست کمک کرد تا بار کاری انسان را به حداقل برساند [۶,۳۷]برنامه ریزی ناوبری پارامتری در داخل/خارج با دستورات انسانی [۲,۳۸,۳۹]و تعامل انسان مانند برای همراهی اجتماعی برای کودکان با تشخیص احساسات [۴۰,۴۱,۴۲]. این سناریوها در شکل ۱ نشان داده شده است.
منبع: https://www.mdpi.com/2673-2688/5/3/48