AToM：基于自适应理论心智模型的长期人类-机器人交互中的人类运动预测

人类通过观察和经验来调整其行为，以实现更好的表现。与此类动态人类互动具有挑战性，因为机器人需要准确预测人类的行为以实现安全和高效的运作。长期与动态人类互动的研究工作并不十分完善。我们提出了一种基于理论心智（ToM）的自适应人类预测模型，ToM是一种基本的社会认知能力，使人类能够推断他人的行为和意图。我们使用博弈论模型来构建人类对他人信念的内部模型，以预测导航情境中所有代理人的未来运动。为估计演化的信念，我们使用Unscented Kalman Filter来更新人类内部模型中的行为参数。我们的模型通过推断人类如何预测机器人人类的行为，为动态人类行为提供了独特的可解释性。我们通过在模拟和真实世界环境中的长期实验，展示了该预测方法有效地促进了下游机器人规划中的安全和效率。代码将在https://github.com/centiLinda/AToM-human-prediction.git提供。