人类学习动态建模与影响

Jan, 2023

Towards Modeling and Influencing the Dynamics of Human Learning

Ran Tian, Masayoshi Tomizuka, Anca Dragan, Andrea Bajcsy

TL;DR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。

Abstract

Humans have internal models of robots (like their physical capabilities), the world (like what will happen next), and their tasks (like a preferred goal). However, human internal models are not always perfect: for example, it is easy to underestimate a robot's inertia. Nevertheless, these models change and improve over time as humans gather more experience.

human-robot interaction learning dynamics robot planning optimization teleoperation

发现论文，激发创造

在线适应的人类模型分析

本研究模拟机器人学习算法为动态系统，控制为机器人观察到的人类数据，利用可达性分析和最优控制解决机器人在线学习参数的安全问题，并在自主驾驶和室内导航等四个领域展示了其实用性。

Mar, 2021

RILI: 鲁棒地影响潜在意图

该研究探讨机器人与人类的互动，提出了一种基于机器学习的方法，能够训练机器人逐渐适应人体动态的变化，并使机器人与人类在协作过程中达到更好的效果。

Mar, 2022

人机交互中模型学习的效用

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

学习身体模型：从人类到仿人机器人

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

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

使机器人能够交流它们的目标

通过机器模拟对人类推导目标功能的学习过程，选择对人最具信息量的行为，以准确预测机器人在新情境下的行为，为此我们提出了两种候选的近似推断模型，并在自动驾驶领域中进行用户研究，结果表明，某些近似推断模型可以使机器人生成更好的行为示例，从而更好地使用户预测其行为，但我们还需要进一步研究人类从机器人行为示例中的推导过程。

Feb, 2017

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

将机器人的表示与人类对齐

研究了如何将在一个环境中学到的知识传递到另一个环境中的关键问题，并通过学习人类期望机器人执行哪些任务的中间表示方法，来提高机器人学习效率，从而为人类与机器人的互动打下基础。

May, 2022

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

机器人模仿人类动作

通过模仿学习，我们能够快速理解一个新任务，通过演示，我们可以直接获得哪些动作需要执行以及它们的目标的知识。本文介绍了一种新的模仿学习方法，解决了机器人模仿人类所面临的视角变化和身体模式等挑战。我们的方法可以利用单个人类演示来抽象展示任务的信息，并利用该信息进行泛化和复制。我们通过两种最先进的方法进行了新的集成：扩散式动作分割模型用于抽象演示的时间信息，以及开放词汇对象检测器用于空间信息。此外，我们通过符号推理来改进抽象的信息，并利用逆向运动学创建行动计划，以使机器人能够模仿演示的动作。

Jan, 2024