语言接地

Grounding / Language Grounding常用

把语言里的词和指令，对应到真实世界中具体的物体、位置和动作上。

语言接地指让模型理解的语言和物理世界对上号：「红杯子」是桌上哪个物体，「放左边」对应哪块区域，「打开抽屉」要做哪些动作。它源自 Harnad 1990 年提出的符号落地问题：符号如果只靠别的符号来定义，就永远碰不到真实含义。大语言模型读过海量文本，却没在具体环境里行动过，可能提出当前机器人做不到的计划。2022 年谷歌等的 SayCan 用每个技能的价值函数（估计该技能在当前场景下能否成功）给语言模型的建议打分，把规划落到机器人真能做的事上。注意中文「落地」也常指商业部署，要看上下文；把文字对应到图中位置的视觉任务另称视觉定位。