- 用於減少人機交互的高效多頻段時間視頻過濾器
移动机器人通过基于时间的过滤方法提高路径完成效率,并通过基础设施摄像头捕获人类活动来选择高效的时间和路线,从而实现全局路径规划和本地导航。
- OSCaR:对象状态字幕和状态变化表示
通过介绍 Object State Captioning and State Change Representation (OSCaR) 数据集和基准测试,本文旨在解决智能模型在理解和推测物体状态变化方面的挑战,提出了一种新的评估多模态大型 - 人工智能与人类的融合决策系统学习范式
每天我们越来越依赖于机器学习模型来自动化和支持高风险任务和决策。这篇论文提出了混合决策系统的分类法,提供了一个概念和技术框架,以理解当前计算机科学文献中的人机交互模型。
- 情感对话机器人:理解期望和个人影响
研究调查了 745 名受访者,旨在了解不同应用中关于情感技能的期望和偏好。结果表明,在设计情感智能对话代理时,应根据应用的上下文和性质考虑适应性和情境感知。
- InterTracker: 发现和跟踪野外中与手交互的一般对象
通过利用手物互动的时空信息,本研究提出了一种跟踪交互对象的方法,该方法采用了一种基于场景的自适应发现交互对象的空间关系,并利用对象外貌的一致性和连续性跟踪这些对象,研究结果表明该方法优于现有的方法,并能生成更连续的交互对象轨迹。
- 应用深度强化学习解决带用户偏好装配序列规划问题
本文提出了一种采用深度强化学习方法解决装配序列规划(ASP)问题的方法,使用用户偏好和总装配时间作为奖励信号,并引入参数化行为来提高训练时间和样本效率。研究结果表明,深度强化学习与人类互动解决装配序列规划问题具有潜在的应用前景。
- 具备交互式仿真环境的人与机器人协同的手术机器人学习
本文研究人形态智能的应用于外科机器人学习的新交互式模拟平台,以人机交互的形式,以增加更有效的策略学习,通过收集人类示范并模仿动作模式,展示了仿真环境的改进和验证最先进的强化学习算法。
- ICLR从人类互动中学习视觉表达:肌肉给你怎样启示?
本文研究利用人类交互和注意力提示进行编码样本集,以监督方式提高视觉数据的表征能力,在场景分类(语义)、动作识别(时间)、深度估计(几何学)、动态预测(物理学)和可行走表面(可承受性)等目标任务中都优于最新的视觉学习方法 MoCo (He e - AAAI人感知 AI 系统的挑战
讨论了设计人类感知人工智能系统面临的挑战,包括建模人类的心理状态、识别其愿望和意图、提供主动支持、展示可解释性行为、并引发信任等,并强调这种系统引出的伦理困境和推广真正跨学科合作的必要性。
- ACL计划、编写和修订:一个用于开放领域故事生成的交互式系统
本研究提出神经叙事生成系统,该系统通过不同程度的人机交互实现故事的生成和不断改进,发现在规划和写作阶段增加人机交互能够使故事质量提升 10% 至 50%,同时提高用户的参与度和满意度,证明在故事创作中人机协作对改进故事特性具有积极作用。
- 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
- 人本自动驾驶系统:有效共享自主性原则
本文提出了一组使用人性化方式设计和构建自动驾驶车辆的原则,旨在应对自动驾驶车辆必须与人类进行互动这一挑战,并通过以人为中心的方法来解决该问题。并通过开发以人为中心的自主驾驶汽车 (HCAV) 为例,说明实现这些原则的方法。
- ECCV卷积神经网络用于轨迹预测
本文提出了一种卷积神经网络(CNN)人类轨迹预测方法,相比于当前的方法更加快速但仍保持具有竞争力的结果,这对于共享人类环境的自主机器人与人类之间的精确和高效互动至关重要。
- 从生活 Vlogs 到日常互动
本文提出从大量互动丰富的视频数据开始,对人类基本交互的理解进行研究,通过对手部进行分析和注释,获得了更大规模、更丰富多样化的数据,并展示了语义物体接触识别、帧级非语义接触状态识别和手部未来预测等任务的实现。
- KDD巨量行为数据交互
我们提出了一个名为 Split-Diffuse (SD) 算法的工具能够均匀地在数据可视化空间中分配词嵌入算法的输出数据,从而改善用户感知和交互,将其应用于网络安全领域中用户行为日志分析得到了名为话题网格的结果。该话题网格可以展示不同指标的 - 语言类别的文化生成途径
通过模拟一群玩基础语言游戏的个体,本文研究了类别的本质讨论,发现它们由两个层次构成:一个基础层负责环境的细致辨别,另一个语言层将感知编组在一起,以保证交际的成功。值得注意的是,语言类别的数量是有限的、很小,与自然语言中的情况相似。