通过机器人任务规范的人类启发自约束推理进行线性时态逻辑转换

许多机器人任务都是临时扩展的，需要对子目标、约束及其时间顺序进行精确规范。然而，人类操作员通常使用自然语言来传达此类任务，而自然语言本质上是含糊不清、不明确且依赖于上下文的。因此，将人类指令转换为正式的任务规范，例如线性时序逻辑 (LTL)，对于可验证和安全的机器人执行至关重要。现有的基于 LLM 的翻译器试图通过开放式推理或事后约束强制执行来弥补这一差距，但前者可能违反领域约束，而后者可能会破坏新指令所需的推理。本文提出了自我约束推理（SCR），这是一个框架，通过将结构知识内化到模型的决策过程中而不是将其强加为外部过滤器来减轻这种权衡。通过将结构约束表示与分层决策制定相结合，SCR 指导在形式基础空间内进行推理，同时保持对未见指令的适应性。实验表明，SCR 提高了领域约束满意度和泛化性，提供了一种有效且可解释的方法，将人类意图转化为机器人执行的可验证规范。