Mar, 2023

利用模仿学习实现自动任务时间干预以提升团队合作

PDF
TL;DR本文介绍了一种自动干预的方法来改善团队协调，首先使用 BTIL 多智能体模仿学习算法从过去的任务执行数据中学习团队行为的生成模型，然后结合团队的任务目标和生成模型来生成执行时间干预，实验结果表明，自动化干预可以成功提高团队绩效并揭示了改善团队合作的自主代理设计的启示。
发现论文，激发创造
  • 半监督模仿学习从次优演示中学习团队策略

    本文提出了 Bayesian Team Imitation Learner (BTIL) 算法，该算法可用于多智能体领域中的团队序列任务的建模，通过对团队成员的心理状态进行显式建模和推断，从而实现了分散式团队策略的学习。此外，BTIL 采用 Bayesian 的观点，能够从小型数据集合半监督演示中实现样本和标记的高效学习。经过实验，证明了 BTIL 可以从演示中成功地学习团队策略，尽管团队成员的心理状态是会发生变化并可能导致团队不完美的合作。

    May, 2022

  • 使用远程遥操作的人在循环中模仿学习

    本文介绍使用干预性策略学习的方法来解决机器人操作任务中必须经过精确定序的地方的问题，提出一种 6 自由度机器人操作任务的数据采集系统，并开发了一个简单而有效的算法来收集新数据以遍历通过这些难点，使用干预策略学习的代理在机器人的线路穿线任务和制造咖啡任务中的表现优于其他多种基线算法。

    Dec, 2020

  • 在线贝叶斯适应下的次优混合人机团队合作

    研究通过计算建模和优化技术，提升人工智能与人类队伍的协同性能，其中人类和机器智能代理由于环境知识不完整而发挥亚最优能力，并采用在线贝叶斯方法推断人们愿意接受机器的协助，实验结果显示协作方式与团队性能、用户信任和对机器的好感度存在显著关联。

    Mar, 2024

  • 机器人学习的高效监督：基于模仿、仿真和自适应的方法

    本研究旨在通过利用更强大的信息源和从现有数据中提取更多信息的方式，增加数据收集与维护流水线的效率，并着重解决模仿学习、领域自适应和从模拟中进行传输等三个正交方面的问题。

    Apr, 2019

  • 灵活的团队合作

    提供代理工具以协调和沟通，通过 STEAM 构建团队，以探讨面临的不确定性，并在多个复杂领域中应用，实现降低团队沟通负担，提高团队协作效率的目的。

    Sep, 1997

  • 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

  • 协作多智能体模仿学习

    本文研究多个协调代理的演示的模仿学习问题，提出了一种综合了无监督结构学习和传统模仿学习的方法来同时学习潜在的协调模型和单个策略，通过在团队运动中学习多个策略的行为建模问题，表明了本文方法的强大之处。

    Mar, 2017

  • 高效结合人类演示和干预以实时安全训练自主系统

    通过结合不同形式的人机交互，本研究利用人类示范和干预学习来安全地实时训练自主系统，从而加快训练速度并提高性能

    Oct, 2018

  • 面向端到端自动驾驶的多任务学习与注意力机制

    本文提出了一种基于多任务学习和注意力模型的新型自动驾驶条件模仿学习网络，通过解决交通灯反应问题，不仅提高了标准基准测试的成功率，而且具备了响应交通信号的能力。

    Apr, 2021

  • 共享自治中的干预优化

    研究共享自治的方法，提高人类与自主代理合作的绩效和用户体验，提出两种模型无关的强化学习方法来限制自治代理干预的数量，并比基线表现更好。

    Dec, 2021