这是谁的？：具有不确定性引导提问的上下文感知对象所有权推断

服务机器人必须推断对象所有权，才能正确解释“把杯子拿给我”等指令。然而，所有权是一种无法直接观察的潜在属性，现有的方法通常依赖于有限的线索（例如最近的使用情况），这使得它们在临时共享等场景中不可靠。我们提出了一个具有不确定性引导交互（COIN）的上下文感知所有权推断框架。该方法使用 大语言模型 (LLM) 集成用户背景信息和对象使用历史来估计所有权分数。为了处理不确定性，我们应用共形预测来构建一组合理的所有者，并在预测不确定时选择性地生成用户查询。模拟家庭环境中的实验表明，所提出的方法始终优于基线方法，实现了 0.988 的子集精度和 0.991 的平均 Jaccard 指数。该方法在涉及临时使用和共享所有权的场景下也能保持高性能。结果表明，将上下文推理与不确定性感知交互相结合可以提高估计的准确性和鲁棒性。该项目页面位于 https://emergentsystemlabstudent.github.io/COIN/。