机器人的内心批评家：基于视觉语言模型重规划的社会行为自我优化

针对传统机器人社会行为生成灵活性不足的问题，本研究提出 CRISP 框架。该框架利用视觉语言模型（VLM）作为“类人社会批评家”，自主批判并重规划机器人动作。系统整合了关节约束提取、情境化步骤计划生成、基于视觉的低层控制代码生成，以及 VLM 对社会适宜性的评估与基于奖励的迭代优化。该方法不依赖特定 API，仅需结构文件即可跨平台生成拟人化动作。用户研究表明，其在多种机器人及场景下的表现显著优于现有方法。