Oct, 2023

Ravestate：基于因果特异性引导的交互策略的分布式组合

HTML
PDF
TL;DR在人机交互政策设计中，一种基于规则的方法是高效、可解释、表达力强且直观的。本文介绍了Signal-Rule-Slot框架，该框架改进了基于规则的符号系统设计的先前工作，并引入了一种新的贝叶斯交互规则效用概念 - 因果路径自信息。我们提供了严格的理论基础，以及一个丰富的开源参考实现Ravestate，通过该实现我们在基于文本、语音和视觉的场景中进行了用户研究。实验证明了我们基于概率信息的基于规则的系统具有强大的上下文行为，为更有效的人机交互铺平了道路。
发现论文，激发创造
  • 利用人类引导的因果知识实现更一般化的机器人任务规划

    通过人类引导的因果知识的使用，作者在语言接口和机器人上开发和测试了一种方法，可以使机器人在新环境中获得泛化解决方案。

    Oct, 2021

  • 基于观测学习的因果机器人通讯

    介绍了如何应用心理学的学习行为洞见为机器人意图交流提供洞见，并通过从一个动作序列中选择性地解释因果动作的方式，使机器人更有效地传达其目的。

    Mar, 2022

  • 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

  • 面向机器人堆叠任务的因果概率预测、行动选择和解释框架

    通过引入因果模型和物理仿真能力，提出了一个新颖的概率框架，使得机器人能够感知和评估积木堆叠任务的当前状态，推理出最佳动作，并生成事后的反事实解释。

    Aug, 2023

  • HandMeThat：物理和社交环境中的人机通信

    通过HandMeThat数据集，我们评估了指令理解和遵循在物理和社会环境下的全面表现，结果显示离线和在线强化学习算法在HandMeThat上表现不佳，说明在物理和社会人机通信和交互方面有很大的改进空间。

    Oct, 2023

  • 高效机器人应用的因果发现

    利用机器人实现快速而准确的因果分析，以提高机器人与人类的交互质量。

    Oct, 2023

  • 在与可解释和不可解释机器人的交互中挖掘多模态通信模式

    探究人与能解释和不能解释的机器人交互的模式，通过视频记录和分析人类在一个棋盘游戏中指示解释性或非解释性机器人移动棋子的行为，并转化成交易以进行关联规则挖掘，发现通信模式以及性别和机器人类型之间的强相关性，结果表明对人类交互模式进行情境化处理是重要的，相关规则帮助设计机器人以更好地适应与人类的交互。

    Dec, 2023

  • 建基于因果关系的环境模型对于具身人工智能的重要性

    本研究论文探讨了给新一代具身代理建立基础世界模型的前景，并对其中的因果关系的重要性提出了新的观点，指出整合因果考虑对于实现与世界的有意义的物理交互至关重要。最后，我们澄清了这一背景下的误解并展望了未来的研究。

    Feb, 2024

  • ROS-Causal: 基于ROS的人机交互应用因果分析框架

    该论文介绍了ROS-Causal，这是一个基于ROS的框架，用于在人机空间交互中进行数据收集和因果推理，并通过ROS集成的临时模拟器展示了机器人在数据收集过程中生成因果模型的效果。

    Feb, 2024

  • 面向可解释的机器人行为基础模型：一种任务特定的策略生成方法

    基于 Diffusion for Policy Parameters (DPP) 的机器人基础模型设计可以生成独立的、任务特定的策略，从而提高模型的可解释性和可用性。

    Jul, 2024