Luonnollisen kielen tulkinta ja muuntaminen robotin komennoiksi

Abstract

Tässä kandidaatintyössä tarkastellaan luonnollisen kielen käsittelyn (Natural Language Processing, NLP) menetelmiä ja niiden soveltuvuutta robottien tekstimuotoisten komentojen tulkintaan. Robotiikan ja teknologian kehittyessä kasvaa tarve luonnollisemmalle ihmisen ja robotin väliselle kanssakäymiselle, mutta samalla menetelmän on täytettävä robotiikalle tyypilliset vaatimukset, kuten reaaliaikaisuus, turvallisuus ja hallittavuus.

Työssä esitellään luonnollisen kielen käsittelyn perusperiaatteet ja keskeiset menetelmät sekä tarkastellaan robotiikan näkökulmasta NLP-järjestelmille asetettavia vaatimuksia. Menetelmien vertailu perustuu kirjallisuuskatsaukseen ja painotettuun pisteytykseen, jossa arvioitikriteereinä käytetään muun muassa reaaliaikaisuutta, laskennallista tehokkuutta, tarkkuutta, virheensietokykyä, kontekstin ymmärtämistä sekä tulkittavuutta.

Vertailuun valittiin neljä eri menetelmää, jotka ovat BERT, GPT, piilomarkov-mallit (Hidden Markov Models) ja Bi-LSTM-CRF. Tulokset osoittavat, että perinteisemmät menetelmät soveltuvat hyvin turvallisuuskriittisiin ja reaaliaikaisuutta vaativiin robottisovelluksiin, mutta niiden kyky käsitellä vapaamuotoista luonnollista kieltä on rajallinen. Transformer-pohjaiset mallit puolestaan mahdollistavat joustavan ja kontekstia hyödyntävän kielen tulkinnan, mutta niiden käyttöä rajoittavat erityisesti suuri laskennallinen kuormitus ja heikompi tulkittavuus.

Työn perusteella mikään yksittäinen menetelmä ei täytä kaikkia robotiikan vaatimuksia, vaan NLP-menetelmän valinta on sovelluksesta riippuva tasapaino kielellisen joustavuuden ja toiminnallisen turvallisuuden välillä. Tulokset tukevat hybridilähestymistapojen käyttöä, joissa kevyet ja ennustettavat menetelmät yhdistetään kehittyneempiin kielimalleihin robottien turvallisen ja käyttäjäystävällisen ohjauksen mahdollistamiseksi.

This bachelor’s thesis examines natural language processing (NLP) methods and their suitability for interpreting text-based commands in robotic systems. As robotics and technology continue to develop, there is a growing need for more natural interaction between humans and robots. At the same time, NLP methods must meet the specific requirements of robotics, such as real-time performance, safety and controllability.

The thesis introduces the fundamental principles of natural language processing and reviews key NLP methods from the perspective of robotic applications. The comparison of methods is based on a literature review and a weighted scoring approach, using evalution criteria such as real-time capability, computational efficiency, accuracy, robustness to errors, contextual understanding and interpretability.

Four different methods were selected for comparison: BERT, GPT, Hidden Markov Models and Bi-LSTM-CRF. The results show that more traditional methods are well suited for safetycritical and real-time robotic applications, but their ability to handle flexible natural language is limited. Transformer-based models in contrast, enable more flexible and context-aware language understanding, although their use is constrained by high computational demands and lower interpretability.

Based on results, no single method satisfies all requirements of robotic systems, but the choice of the NLP method is a balance between linguistic flexibility and functional safety that depends on the application. The results support the use of hybrid approaches that combine light and predictable methods with more advanced language models to enable safe and user-friendly control of robots.