Feb, 2018

利用动态因式分解将人类提供的信息整合到信念状态表示中

PDF
TL;DR该篇论文介绍了一个关于机器人在部分观察环境下进行可靠的推理与规划的有效方法，通过提供现实世界中物体属性的概率信息，并采取正确的策略，实现基于内部状态的自我学习，并验证了该方法在两个开放领域的规划问题中的有效性。
partially observed environmentsdeclarative informationprobabilistic relational constraintsbelief state representationefficient planning
发现论文，激发创造
  • 基于明确人类心态推理的鲁棒人机协同任务规划

    该研究基于情境评估，提出了一种新颖的解决方案，可以在人机团队合作中帮助机器人预测和模拟人类决策，并通过沟通协调达到信念一致，提高问题解决效率和鲁棒性。

    Oct, 2022

  • 部分可观测任务和运动问题中的信念空间在线重规划

    本文提出了一个在线计划和执行系统，使用混合置信状态空间进行确定性代价敏感计划来选择成功概率高的观察行动和连续控制行动，以解决部分可观察问题，并在模拟和真实世界的厨房中展示了高效的解决方案。

    Nov, 2019

  • 人机协作适应性的数学模型

    本文概述了机器人与人合作的概率规划和博弈论算法的研究，包括不确定性建模和对人类内部状态和变化的推理，以及在多个实际场景下实现的具体行为。

    Jul, 2017

  • 可辨别因子分解的世界模型学习

    本文提出了 IFactor 框架，它由四类潜在状态变量建模，以捕捉强化学习系统中各种信息的不同方面，并在合成环境和深度强化学习环境中展示了其性能优于基线的实验结果。

    Jun, 2023

  • 自适应概率信赖约束下的连续高维信念空间规划

    研究了基于信念空间规划的在线决策问题，在信息收集等场景下，介绍了一种自适应的方法来寻求最大可行回报，应用这种方法可以在保证准确率的前提下显著加速在线决策过程，并进行了大量现实模拟来验证此方法的优越性。

    Feb, 2023

  • 推理反事实以改善人类逆强化学习

    为了让人类能够很好地与机器人协作，提出了一种包含逆强化学习和演示方法，在选择展示时考虑了人类对机器人决策的预期，使用了一种新的测试难度测量方法，并发现这种方法在易于测试的情况下降低了人类的性能，但在难于测试的情况下增加了性能。

    Mar, 2022

  • 基于信息受限视觉表示的分解领域学习

    本研究的模型探究了人类学习复杂视觉信息的方式，包括压缩表示和因素表示，并提出了一种基于改进版本的 β 变分自编码器的人类因素表示学习模型，在学习速度和重构准确性之间进行了信息复杂度的平衡。

    Mar, 2023

  • 利用高效的非参数信念传播进行节肢物体的分解姿态估计

    本文介绍了一种基于非参数信念传播算法的分解方法，用于估算具有连接约束的物体单元的姿态，并评估其对具有连接对象的场景的收敛特性。

    Dec, 2018

  • 面向制造环境的灵活且易理解知识表达方式，用于数据高效学习和可信人机协作

    利用 Gärdenfors 的概念空间框架，基于属性分解的方法提高了人工智能代理的知识表示，并设计了一种基于模糊逻辑的类别归属判定模型；此方法在制造领域的应用能够有效提高人工智能代理的可解释性和可信度。

    May, 2023

  • 预测人类空间互动的动态模型的因果发现

    本研究将因果发现方法应用于人机空间相互作用建模，从真实世界的传感器数据中尝试理解人类行为，提高服务机器人场景的预测准确性。

    Oct, 2022