在共享自主中自动生成人机交互场景的质量多样性方法

人与机器人之间交互规模和复杂性的增长凸显了对新计算方法的需求，以自动评估新颖算法与应用。在仿真中探索人与机器人交互的多样场景可增进对机器人系统的理解，并避免真实环境中潜在的高昂失败代价。我们将此问题表述为质量多样性（QD）问题，目标是通过同时探索环境与人类动作来发现多样的失败场景。我们聚焦于共享自主领域，其中机器人试图推断人类操作者的目标，并采用 QD 算法 MAP-Elites 为该领域中两种已发表算法生成场景：通过后见之明优化的共享自主与线性策略混合。部分生成的场景证实了先前的理论发现，而其他则令人惊讶并带来对最先进实现的新理解。我们的实验表明，MAP-Elites 在有效搜索场景空间方面优于蒙特卡洛仿真与基于优化的方法，凸显了其在人机交互算法自动评估中的前景。