用于人类意图推断的解耦序列聚类
机器人学
2022-08-02 v4 机器学习
摘要
使机器人具备推断人类意图的能力是有效协作的重要前提。针对该目标的大多数计算方法推导出以机器人感知状态为条件的“意图”概率分布。然而，这些方法通常假设人类意图的任务特定标签是先验已知的。为克服此限制，我们提出解耦序列聚类变分自编码器 (DiSCVAE)，一种能够以无监督方式学习此类意图分布的聚类框架。该框架利用无监督学习的最新进展来解耦序列数据的潜在表示，将时变局部特征与时空不变全局属性分离。作为一项新颖扩展，DiSCVAE 还推断离散变量以形成潜在混合模型，从而能够对这些全局序列概念（例如高层意图）进行聚类。我们在使用 robotic wheelchair 收集的真实人机交互数据集上评估了 DiSCVAE。我们的发现表明，推断的离散变量与人类意图一致，在共享控制等协作场景中展现出前景。
引用
@article{arxiv.2101.09500,
title = {Disentangled Sequence Clustering for Human Intention Inference},
author = {Mark Zolotas and Yiannis Demiris},
journal= {arXiv preprint arXiv:2101.09500},
year = {2022}
}
备注
7 pages, 7 figures. Accepted for publication at 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)