这项研究是一个更大的项目的一部分，该项目专注于自然语言理解（NLU），开发搜索和导航领域的双向人机对话系统。我们利用抽象意义表示（AMR）来捕捉和结构自然语言指令的语义内容，使其成为一个机器可读的、有向的、a-循环的图。在这项任务中，NLU面临两个关键的挑战：1）如何有效地将AMR映射到特定领域内受限的机器人行动规范中；2）如何保留人类语言的一般理解的必要元素，以便我们的机器人可以将其能力扩展到单一领域之外。为了应对这些挑战，我们建立了一个两步的NLU方法，其中自动获得的输入语言的AMR图被转换成 "对话-AMR "图，这是一个新版本的AMR，其中增加了时态、方面和语言行为信息。在这里，我们详细介绍了基于规则和分类器的方法，将AMR图转化为Dialogue-AMR图，从而弥合了从无约束的自然语言输入到固定的机器人动作集的差距。

这个转换系统是人类与机器人对话的两步自然语言理解（NLU）管道的一部分。如图1所示，第一步是以AMR图的形式从无约束的语言输入中捕捉核心语义，我们将其称为 "标准-AMR"。第二步，特别是图到图（G2G）的转换过程，将标准AMR图转换为对话AMR。对话-AMR包含对人与机器人交流和机器人执行至关重要的信息。

这个转换系统旨在有效地自动产生用于人与机器人对话的对话-AMR，并扩展到也能从对话-AMR中受益的新领域，如Minecraft积木世界领域，其中对话的重点是在虚拟环境中用积木建造结构。