自然语言指令解析是使人和机器人之间的交互变得更自然、流畅的重要环节。在人-机器人交互过程中,使机器人了解指令的意图和指令中关键单词的含义是自然语言指令解析的基础工作,但往往自然语言指令数据难以收集,导致模型存在泛化能力差的问题。另外,自然语言指令导航是人-机器人交互所必须具备的能力,也是完成取物任务的前提,但由于自然语言的任意性,不同人对于相同任务的指令描述会存在不同,这可能会导致指令和导航行为动作在映射过程中出现对齐不一致的问题。目前,针对泛化能力差的问题,常用意图-插槽联合建模方法、数据增强等方法,这些方法并没有充分考虑到不同意图的指令之间存在的共享知识和私有知识;针对映射不一致的问题,常用非端到端的统计模型方法,这种方法并没有考虑误差的累积和机器人所处环境对映射过程的影响。因此,构建新的端到端神经网络模型来提高模型的泛化性能和指令映射过程中的对齐能力是提高人-机器人交互体验的关键。首先,针对机器人存在泛化能力差的问题,提出了一种语义特征提取和融合算法。该算法首先利用多个编码器结构提取不同意图指令的共享特征和私有特征,然后将提取到的特征使用门机制进行动态地融合。整个过程充分考虑了不同意图的指令之间的相关关系,并对其进行显式地建模,使指令中的语义特征能够被充分利用。其次,提出了基于图注意力网络的意图-插槽联合优化方法,用于对两个任务之间的相关性关系进行建模。该方法通过显式建模的方式对两个任务的关系进行量化,以提高端到端模型的特征充分性。与已有的端到端意图-插槽联合模型相比,该方法不仅考虑了意图信息对插槽信息的指导作用,还考虑了指令中不同插槽之间的约束和相互关系,进一步提高了模型对意图和插槽显式建模的性能,同时也提高了模型的可解释性。最后,针对自然语言指令映射不一致的问题,提出了基于神经网络搭建的端到端地图-指令双向注意力交互模型。该模型在指令映射过程中将地图信息作为知识库来辅助映射,并通过双向注意力交互将指令特征和地图特征进行融合,从而使模型在行为动作序列生成过程中减少误差,缓解因指令描述不同导致的映射不一致的问题。