Feb, 2024

人类目标识别作为贝叶斯推理：行动、时间和目标可解性的影响研究

PDF
TL;DR基于可用线索推断意图的目标识别是一种基本的认知过程，该研究使用贝叶斯框架来探索行动、时间和目标可解性在目标识别中的作用，并通过分析人类对 Sokoban 领域的目标识别问题的回应，发现行动被赋予最重要性，但时间和可解性在某些情况下也影响目标识别，特别是在行动信息不足时。我们利用这些发现开发了一个目标识别模型，与现有算法相比，更接近人类的推断。我们的工作为人类目标识别提供了新的视角，并朝着更像人类的 AI 模型迈出了一步。
goal recognitioncognitive processbayesian frameworktiminggoal solvability
发现论文，激发创造
  • 使用贝叶斯非参数子目标模型建模人类对复杂故意行为的理解

    本文模拟了人类如何通过观察复杂动作序列来推断子目标，结合非参数贝叶斯模型进行了行为实验，证明了该模型在推断人类子目标方面的高准确性和较好的效果，同时还模拟了使用子目标学习和推断在人工用户辅助任务中如何提高性能。

    Dec, 2015

  • 基于成本的目标识别与深度学习相遇

    本文探讨了使用深度学习的深度神经网络在目标预测方面的性能，证明了该方法在解决各种领域的意图识别和目标预测中具有更好的准确性和时效性。

    Nov, 2019

  • 目标推断改进人机协作的客观和感知性能

    本文评估了一种人机协作方案，该方案结合了任务分配和动作规划推理的层次，使用贝叶斯推理预测他的人类伴侣的下一个目标，并实时重新规划自己的行动，实现了预期的适应性，取得了良好的人 - 机表现优化。

    Feb, 2018

  • 目标识别作为强化学习

    本文提出了一种结合基于模型的强化学习和目标识别的框架，在离线学习和在线推理阶段分别使用 tabular Q-learning 和三种推理度量，以解决目标识别中需要手动设计、在线计算等问题，从而在标准评估环境中实现了最先进的性能，同时在嘈杂环境中也表现出了优异的性能。

    Feb, 2022

  • 通过对抽象目标的建模预测下一步行动

    使用可变循环网络，结合视觉表示来提取目标信息，设计了一种抽象目标，用于减少人类行为预测中的不确定性，实验结果在多个数据集上达到了最新的最佳表现。

    Sep, 2022

  • 通过结合计划识别和语言反馈来改进人类意图推理

    对话式目标识别框架（Dialogue for Goal Recognition）通过询问关于噪声传感器数据和次优人类行动的澄清问题，使机器人能够纠正其对人类进展的信念，评估了 D4GR 在厨房和堆积领域的性能，结果显示 D4GR 框架在目标准确性方面比 HTN 高出 1%，在计划准确性方面比 HTN 高出 4-2%，比始终询问的预测模型在目标识别和计划识别方面表现更好，且比基线少问了 68% 的问题，文章还在厨房领域展示了一个真实世界机器人情景，验证了 D4GR 在现实环境中改进的计划和目标识别能力。

    Oct, 2023

  • 人类动作识别与预测：调查

    该论文综述了计算机视觉和机器学习在视频分析任务中的应用，重点介绍了动作识别和预测两个领域的现有技术、算法、数据集、评价标准及未来发展方向。

    Jun, 2018

  • 探索基于规划和数据驱动方法相结合的目标识别

    本文研究了两种先进的基于计划的计划识别方法在现实环境中的应用。我们发现这些方法在识别人类行为目标时存在困难，因为人类行为通常不是完全理性的。为了克服这个问题，我们提出了一种通过分类方法进行扩展的方法，该方法通过训练观察行为数据，不仅优于完全基于计划的和纯数据驱动的目标识别方法，而且能够更可靠地识别正确目标，特别是当只看到少量观察时，这大大提高了混合目标识别方法在智能辅助系统中的实用性。

    Jan, 2023

  • 凝视意图估计：在 HRI 中的原理、方法和应用

    该论文综述了视觉注意力、眼动追踪及基于注视点的意图识别在智能机器人、电信系统和辅助机器人系统中的应用，并强调了设计这些系统时需要考虑的重要人因素问题和当前的限制。

    Feb, 2023

  • GoalNet: 从人类计划演示中推断出合取目标谓词，以用于机器人指令跟随

    本研究旨在使机器人能够学习如何按照自然语言指示序列化其动作以执行任务，通过人类伙伴的成功演示。为了达到这个目的，我们引入了一种新颖的神经符号模型 GoalNet，它能够从人类演示和语言任务描述中推断目标谓词的上下文和任务依赖关系，并结合学习和规划以提高在多阶段任务中的决策能力。通过在一个表示语言变化的基准数据集上进行测试，我们证明了 GoalNet 在任务完成率上比现有基于规则的方法有了显著改进（51％）。

    May, 2022