Feb, 2017

展示、关注和互动：通过神经关注 Q 网络实现可感知的人机社交互动

PDF
TL;DR通过多模式深度关注循环 Q 网络，机器人在与人交互 14 天后表现出类似人的社交互动技能，同时学会了以可感知和社交接受的方式响应复杂的人类行为。
human-robot interactionmultimodal learningreinforcement learningsocial skillsperceivable behaviors
发现论文，激发创造
  • 机器人通过多模态深度强化学习获得社交智能

    本文提出了使用多模式深度 Q 网络（MDQN）的方法，通过试错法让机器人从与人类的互动中收集数据并从高维感知信息中学习人类的交互行为，以使机器人能够具备与人类一样的交互技能。在与人类的相互作用 14 天后，本文表明机器人成功地学会了基本的人机交互技能。

    Feb, 2017

  • 使用多模态深度强化学习训练交互式人形机器人

    通过让人形机器人玩井字棋的学习方法，成功探索了多模态深度强化学习、机器人视觉感知和交互等方向，并利用语音、视觉和手势等方式让机器人在该游戏中实现了高效而自然的交互。

    Nov, 2016

  • 提升社交机器人对受控与自然人机交互的视觉感知

    社交机器人使用视觉感知来理解用户和环境，本研究使用深度学习模型改进了社交机器人的视觉感知功能，并通过实验评估了该功能对用户交互性能和体验的影响。

    Mar, 2024

  • 基于注意力机制深度强化学习的众人机交互：众人感知的机器人导航

    本文提出一种注意力机制的深度强化学习模型，能够更好地模拟拥挤场景下的人机交互问题，包括人与人的交互作用，实验结果表明该模型优于现有方法。

    Sep, 2018

  • 面向个性化情感交互的多模态社交机器人

    本研究采用强化学习方法建立了一个多模态情感交互框架，利用人类用户的情感状态作为交互的奖励因素，优化了机器人的行为策略，并针对用户进行个性化情感交互来增强社交场景下机器人的自然性和吸引力。

    Oct, 2021

  • 深度关注递归 Q 网络

    通过深度强化学习方法，利用软、硬注意力机制的扩展 DQN 算法，以 Atari 游戏为测试模型，表明其性能优于 DQN，并且内置的注意机制使得可以直接监控训练过程。

    Dec, 2015

  • 人类交流理解的多注意力循环网络

    本文介绍了一种名为多注意力循环网络（MARN）的人类交流理解神经架构，通过使用多注意力块（MAB）的神经组件，MARN 致力于发现和存储影响人际交往的互动，并在多模态情感分析、说话者特质识别和情感识别方面显示出最先进的性能。

    Feb, 2018

  • 基于关注交互图的意图感知机器人人群导航

    本文提出一种基于循环图神经网络和注意力机制的新型 RL 方法，通过捕捉时空中多种交互类型来预测人类行为意图，并将该预测应用于无模型 RL 框架中以避免机器人干扰其他个体，从而在人群中实现机器人的安全、高效导航。

    Mar, 2022

  • 现实世界中基于内在动机的人机交互强化学习

    本文提出了一种基于内在动机的强化学习框架，通过预测模型和动作条件获得内在动机驱动下的奖励，并通过与人的互动学习类似于人类的社交技能，结果表明该机器人不仅获得了人类般的社交技能，而且在测试数据集上做出了更符合人类的决策。

    Apr, 2018

  • 使用深度强化学习学习面向群组的社交适当机器人接近行为

    我们提出了一个使用深度学习方法的 Staged Social Behavior Learning (SSBL) 框架，在模拟中学习机器人在社交场景中的行为，然后将其应用于与人类交互的实际机器人中。实验结果表明，相比于最先进的模型，我们的模型可以生成更加符合社交规范的行为。

    Oct, 2018