实际人机协作强化学习

Mar, 2020

Real-World Human-Robot Collaborative Reinforcement Learning

Ali Shafti, Jonas Tjomsland, William Dudley, A. Aldo Faisal

TL;DR本研究通过一个协同迷宫游戏设计，用深度强化学习技术实现了人机共同协作。研究结果证明人机共同协作相互影响，在时间的推进下不断适应并建立起相应策略，这为人机智能的协作提供了可行的方案。

Abstract

The intuitive collaboration of humans and intelligent robots (embodied ai) in the real-world is an essential objective for many desirable applications of robotics. Whilst there is much research regarding explicit communication, we focus on how humans and robots interact implicitly, on

embodied ai human-robot collaboration motor adaptation deep reinforcement learning co-policy learning

发现论文，激发创造

现实世界复杂环境中的人工智能协作与强化学习

在复杂的模拟环境中，研究表明人工智能与人类的合作胜过仅有人类或仅有人工智能代理的情况，并开发出了一种用户界面，使人类有效地协助人工智能代理。

Dec, 2023

通过迁移学习增强现实世界人机合作团队表现

本项研究将迁移学习集成在深度强化学习代理中，以此从专家那里传递知识提高人 - 机器协作质量。实验发现，这种方式不仅缩短了任务训练时间，而且明显提升了团队表现和主观感受，并能为透明和可解释的机器人行为设计提供有趣的见解。

Nov, 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

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

异步人类反馈下的自主机器人强化学习

实现自主学习的算法对于在真实环境中的机器人来说一直是个挑战，但本研究描述了一个实际的强化学习系统，通过在真实环境中进行训练，并借助人类的反馈来实现不间断的改进。该系统在不需要设计奖励函数或重置机制的情况下，通过自我监督学习算法和人类反馈产生的信息来指导探索和筛选学习策略。在模拟环境和真实世界中的机器人任务上的评估结果表明，该系统能够有效地学习行为。

Oct, 2023

用深度强化学习训练机器人的方法：我们所学到的教训

本文评估了深度强化学习在现实世界机器人中的应用，包括学习知觉和运动等复杂技能的案例研究以及相关挑战。

Feb, 2021

人机协作任务的高效模型学习

该研究提出了一个利用无人干预的关节行动示范学习人类用户模型的框架，以便机器人能够计算出一项与人类的合作任务相适应的鲁棒策略。该框架利用无监督学习算法将示范动作序列聚集到不同的人类类型中，并使用逆强化学习算法学习代表每种类型的奖励函数。最后，该方法得到了验证，并在实验室中演示了同一个人类与小型工业机器人配合完成任务的可能性。

May, 2014

使用模仿学习和力控制的可普适的人机协作装配

本文介绍了一种基于演示学习和姿态估计的人机协作装配系统，使机器人能够适应于人类操作中的不确定性，我们的实验表明，系统能成功地适应于不同的目标位置。

Dec, 2022

多智能体强化学习中协作新兴行为的衡量

本研究介绍了一种新方法，用于定量评估多智能体强化学习算法在连续空间任务中的协作能力，提供一个有用的训练信号来增强机器间和人机间的未来协作。

Jul, 2018

复杂人机协作任务中的解释生成联合心智建模

人与机器协作中，提出了一种基于可解释人工智能（XAI）框架的思维感知沟通技术，借助贝叶斯推理算法，机器建立了人类用户的层次化精神模型，并生成自身思维的解释，实验证明该方法显著提高了协作表现和机器被用户感知的程度。

Jul, 2020