测量和建模身体内在动机
通过对智能体控制完成的问题广泛应用增强学习方法进行研究。 基于发展心理学中的内在动机的概念,提出了一个系统性方法来确定内在动机的现有方法。该方法分为三类,分别为互补的内在奖励,探索策略和内在动机的目标。 具有世界模型和内在动机的代理的架构被描述出来,以帮助提高学习能力,同时探讨了在这一领域开发新技术的潜力。
Jan, 2023
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。
Feb, 2022
本文提出了一种可解释理解物理模型,其中瓶颈层的特定维度对应不同的物理属性,利用此模型我们对不同形状的碰撞进行了训练,并对不同类型的场景进行了推理,结果表明该模型能够很好地解释物理现象并进行泛化。
Aug, 2018
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
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
本论文提出了一项基于视觉任务的评估基准,以测试人工系统对于宏观物体、运动、力等物理理解的程度,同时介绍了两个旨在以无监督的方式学习直观物理的深度神经网络系统,并通过与人类数据的比较,对下一帧预测建筑的潜力和限制进行了新颖的结果分析。
Mar, 2018
本研究使用虚拟婴儿代理,在无外部奖励的情况下,测试了与人类探索的动机类似的内在奖励功能,并发现了好奇心式的内在奖励和有关性交互的连续性有助于引发探索和生成动态的社交行为和强大的预测世界模型。
May, 2023
通过实现以好奇心驱动的内在动机的神经网络,我们表明计算的内在动机模型可能解释婴儿发展视觉运动学习的关键特征,包括自我运动预测、物体注意以及物体获取等。
Feb, 2018