LLiBTree：面向机器人编程的LLM集成行为树节点可用性与信任度评估

《ACM Transactions on Interactive Intelligent Systems》：LLiBTree: An Assessment of Usability and Trust of LLM-integrated Behavior Tree Nodes for Robot Programming

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

随着机器人编程在帮助非专业用户定制制造业、医疗保健和服务行业等领域自主系统方面变得日益重要，人们对既直观又能支持用户感知信任的方法的需求也在不断增长。虽然自然语言编程（NLP）通过允许用户使用日常语言描述机器人行为，从而降低了入门门槛，但它往往缺乏结构透明度——尤其是在与不透明的深度学习模型结合使用时。为应对这一挑战，我们提出了 LLiBTree，一种新颖的机器人编程框架，它将大型语言模型（LLMs）直接集成到行为树（BTs）中，作为可执行节点。这种方法允许用户通过自然语言迭代地定义和完善机器人行为，同时保持可视化编程的模块性和清晰性。通过将 LLM 嵌入到 BT 中，用户可以根据自然语言指令生成和替换子树，从而实现基于语言的灵活性与结构化视觉逻辑的无缝融合。我们通过一项受控的用户研究对 LLiBTree 进行了评估，将其与仅使用自然语言的方法和传统可视化编程方法进行了比较。结果表明，PreGeneratedLLiBTree 条件产生了显著更高的感知信任，而 LLiBTree 条件实现了与仅使用自然语言编程不相下乘的可用性，并改善了用户的掌控感，这表明 LLiBTree 为终端用户机器人编程提供了一种实用的方法。

AI 摘要

AI 生成的摘要（实验性）

本摘要由自动化工具生成，并非由本文作者撰写或审核。提供本摘要是为了支持发现、帮助读者评估相关性，并协助来自相邻研究领域的读者理解本文。本摘要旨在补充作者提供的摘要，后者仍然是本文的主要摘要。全文仍然是权威版本。

点击此处，对本摘要的准确性、清晰度和实用性进行评论。这样将有助于改进和未来重新生成的版本。

要查看此 AI 生成的通俗易懂摘要，您必须拥有高级访问权限。