Feb, 2022

通过竞争性人机交互促进身体活动

PDF
TL;DR本项目通过引入多智能体强化学习，创造了一款竞争人类的机器人选手 - Fencing Game，评估了机器人选手的能力和用户体验，用户研究发现它能够持续创造具有挑战性和愉悦性的交互，能有效增加人体心率，被绝大多数受试者认为是有趣且能提升锻炼质量的系统。
human-robot interactioncompetitivefencing gamemulti-agent reinforcement learninguser experience
发现论文，激发创造
  • 通过竞争激发机器人潜力

    基于竞争学习框架，通过引入竞争环境中的竞争信息作为辅助信号，可以帮助个体机器人从竞争中获取知识，充分激发其动态潜力，从而提高性能。

    Mar, 2024

  • 实际人机协作强化学习

    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。

    Mar, 2020

  • 辅助健身房：辅助机器人的物理模拟框架

    本文介绍了 Assistive Gym 这个开源的物理仿真框架，可用于为多种日常生活活动提供机器人辅助，并基于强化学习方法训练不同商用机器人的基本策略。通过对人类活动模型进行建模，该框架可模拟人类活动能力和辅助偏好以提供奖励函数，从而提供更好的人机交互体验。

    Oct, 2019

  • 测量和建模身体内在动机

    本文研究物理场景下人类行为的特征及其功能形式，通过实验数据模拟并最终发现最佳预测模型为基于物理预测损失的敌对奖励模型，同时简单场景特征模型并不能跨越不同场景泛化其对人类响应的预测。人类会被驱使进入会带来大量信息与活动的情境中。

    May, 2023

  • 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

  • 模仿交互智能

    通过虚拟环境中的交互式训练、行为测试和逆强化学习技术，实现了大规模人类行为模仿，提高了人工智能代理的交互能力，并成功解决了代理评估方面的挑战。

    Dec, 2020

  • 带有手势响应和音乐伴奏的交互多机器人集群

    本研究提出了一种新颖的多机器人任务，主要目标是吸引和引起兴趣。研究团队创建了机器人运动算法和互动模式，例如手势和声音，并进行了一项实验以了解人类与机器人群体的互动行为。结果显示，体验的感知不受权重模式选择的影响。该研究拓宽了多机器人任务的领域，并展示了不同任务目标，如参与性在多机器人系统设计和执行中的体现。

    Mar, 2024

  • 竞争生存环境下的多智能体相互作用

    本研究采用多智能体相互作用的方法，开发了一个可扩展的具有现实物理和人类相关语义的竞争环境，旨在解决强探索环境中的问题，并进行了多项实验以获得简单的新兴策略和未来改进的具体方向。

    Jan, 2023

  • 多目标强化学习：挑战机器人环境与研究请求

    介绍了一组具有挑战性的连续控制任务，并提出了许多改进强化学习算法的研究思路。

    Feb, 2018

  • 在竞争游戏中引入对抗机制的强化学习

    本文提出了一种基于竞争行为社会影响的强化学习机制，通过在互动游戏中设计与人类玩家互动的场景，研究了该机制如何影响了机器人代理的学习及人类玩家在游戏中的表现，结果表明在与竞争对手互动时，人类玩家会察觉到特定的社会特征与感知机制并对人类玩家的表现产生直接的影响，并探讨了组成人工竞争得分的不同社会和客观特征如何促进了研究成果。

    Aug, 2022