AAAIOct, 2021

利用人类引导的因果知识实现更一般化的机器人任务规划

PDF
TL;DR通过人类引导的因果知识的使用，作者在语言接口和机器人上开发和测试了一种方法，可以使机器人在新环境中获得泛化解决方案。
artificial intelligencecausal modelsgeneralizationlanguage interfacerobotics
发现论文，激发创造
  • 因果世界模型的内在激励学习

    研究探索通过推断环境因果结构以收集相关干预数据为手段，建立捕捉传感器运动交互背后真实物理机制的世界模型对于提高深度学习、强化学习、迁移学习和泛化能力至关重要。

    Aug, 2022

  • 从视觉观察推断目标指向任务的因果关系

    本文提出了一种利用有向无环图产生因果知识，辅助人工智能完成目标驱动任务的方法，并通过实验证明该方法可以有效地推广到在先前未见的具有新的因果结构的环境下完成新任务。

    Oct, 2019

  • 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

  • 目标推断改进人机协作的客观和感知性能

    本文评估了一种人机协作方案，该方案结合了任务分配和动作规划推理的层次，使用贝叶斯推理预测他的人类伴侣的下一个目标，并实时重新规划自己的行动，实现了预期的适应性，取得了良好的人 - 机表现优化。

    Feb, 2018

  • 如何培养机器人 —— 限制任务规划中神经符号人工智能的案例研究

    人形机器人通过结合隐私、安全和访问控制约束与任务规划方法，从分析它们的权衡中得出混合方法的必要性，并提出了神经符号人工智能新的应用案例。

    Dec, 2023

  • 我们是否已经建造出像人一样思考的机器？

    通过一系列的实验，我们评估了当前基于视觉的大型语言模型在直觉物理、因果推理和直观心理领域的表现。我们的研究结果表明，尽管这些模型在处理和解释视觉数据方面表现出显著的能力，但在这些领域仍然不如人类。这些模型对物理定律和因果关系有基本的理解，但缺乏更深入的洞察力 - 人类认知的一个关键方面。此外，在需要直觉心理理论的任务中，这些模型完全失败。我们的结果强调了将更强大的理解因果关系、物理动力学和社会认知机制整合到现代基于视觉的语言模型中的必要性，并指出了认知启发式评估标准的重要性。

    Nov, 2023

  • 利用人类辅助完成顺序决策任务的最新进展

    本文综述了五种最近主要依赖于人类指导的机器学习框架及其动机，假设和实施，并讨论可能的未来研究方向。

    Jul, 2021

  • 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

  • 基于观测学习的因果机器人通讯

    介绍了如何应用心理学的学习行为洞见为机器人意图交流提供洞见，并通过从一个动作序列中选择性地解释因果动作的方式，使机器人更有效地传达其目的。

    Mar, 2022

  • 基于知识驱动的人机交互虚拟现实演示的机器人程序合成

    本文介绍了一种通过虚拟现实人类任务演示自动生成可执行机器人控制程序的系统，利用常识知识和基于游戏引擎的物理，以及自动路径规划和代码生成，实现了具有表现力和通用性的任务表示，在强力抓取和放置机器人购物助手的场景中进行了演示。

    Jun, 2023