CLARA：认知驱动的澄清框架，用于确立歧义请求的具体含义

机器人和 AI 系统越来越多地部署大型视觉语言模型（LVLMs）来执行高层次指令，从日常家务到更复杂的组织任务。然而，“打扫房间”或“整理桌子”之类的宽泛指令往往遗漏了影响预期结果的关键信息，例如用户偏好以及物体的具体摆放方式。在没有进一步指导的情况下，此类模型往往高估自己对歧义指令的理解程度，即使遗漏了重要细节，也经常自认为已经充分理解。本文提出 CLARA（Conversational cLArification for Robotic Arrangement），一种认知驱动的澄清框架，其会主动从用户处获取关键信息，类似于人类寻求澄清的行为。通过针对性提问，CLARA 根据用户偏好，将歧义请求细化为结构化、详细的指令，准确描述物体应如何进行整理或重新排列。随后，这些澄清信息会引导基于扩散模型的图像生成流程，生成最终目标场景的逼真视觉呈现。该最终呈现还可作为视觉确认，帮助用户核实系统的理解。实验结果和用户研究表明，与另一种最先进的 LVLM 系统相比，CLARA 能够带来更加准确且一致的结果，凸显了交互式澄清对于弥合模糊指令与完全明确的任务规范之间差距的重要性。