自我建模的起源
本研究通过与发展心理学家合作的定向实验,了解婴儿如何获得第一次的 “感觉 - 运动身体知识”,进而构建具有传感器官的计算模型,对多模态身体表示学习、适应和操作的机制进行研究,提出了自我接触和自我观察的办法,开发了一个校准工具箱,并在多个机器人平台上进行了实验验证,最终研究了周围空间与人类和机器人的安全合作的可能性。
Nov, 2022
我们通过联合不同的自监督模型来构建一个定制模型,以解决智能机器人通过镜子观察自身并学习从图像中检测自己身体的 3D 姿势的问题。我们展示了该方法的实例,并通过对模型的部署进行了较全面的研究和评估,以提高模型的性能和调整超参数。
Nov, 2023
本文介绍了一种模拟人类学习为非线性动力学系统的新方法,以监督机器人如何影响人类内部模型的变化,并通过嵌入人类学习动态模型到机器人规划问题中来实现。我们提供了一个折衷方案,以牺牲所能代表的人类内部模型的复杂性为代价,使机器人能够学习这些内部模型的非线性动力学。在一系列模拟环境和面对面的用户研究中,我们评估了我们的推断和规划方法,表明机器人对人类学习的影响是可能的,并且可以在真实的人机交互中有所帮助。
Jan, 2023
使用神经场将机器人的运动学作为神经隐式查询模型来自建模,能够实现比现有方法更广泛的应用,从而为自主代理提供必要的自我建模功能,并在运动规划任务中展示该模型的能力。
Oct, 2023
本文描述了通过使用自我识别算法的方法,人造机器人可以通过镜子识别自己并将自己的行为与其他实体区分开来。该算法将主动推理理论模型与神经网络学习相结合,通过自由能最小化推理机体配置并累积证据进行自我识别。实验结果表明该算法在不同的初始条件下具有可靠性。
Apr, 2020
使用神经网络的好奇心驱动内在动机以及采用自我监督的方法,在简单而生态自然的模拟环境中,实现自主环境探索,获取对环境的理解,从而创造一系列复杂的行为,并提高了对象动态预测、检测、定位和识别任务的性能。
Feb, 2018
本文提出了一种基于 Self Other-Modeling 的学习方法,用于解决多智能体强化学习中的信息不完全问题,并可用于解决合作和敌对情境下的任务。
Feb, 2018
本文探讨了在机器人学中,构建世界显式模型和直接学习策略两种不同的方式,以及在人机交互中如何应用心理理论对机器人对人的建模对性能的影响,同时也考虑了理论假设不准确时的影响。
Jan, 2019
本研究通过在线实验室,让学生构建和模拟生态系统的概念模型,使用机器学习技术分析了 315 名学生和他们生成的 822 个概念模型的建模行为,提出了三种主要建模行为:观察、构建和完全探索,并发现完全探索可以生成更高质量的模型,这提供了自我指导学习的洞见。
Jun, 2022