探索模型预测控制以生成人机交互动态系统的最优控制策略
人机交互
2017-01-17 v1 机器人学
摘要
我们将人机交互（HRI）场景建模为线性动态系统，并使用带有混合整数约束的模型预测控制（MPC）来生成具有人类感知的控制策略。我们通过提出两个场景来论证该方法。第一个涉及一个辅助机器人，旨在最大化生产力同时最小化人类的工作负载；第二个涉及一个倾听型人形机器人，其管理眼神接触行为以在交互过程中最大化“联系”并最小化社交“尴尬”。我们的仿真结果表明，机器人生成了有用的行为，因为它找到了最小化指定成本函数的控制策略。此外，我们在人形机器人上实现了第二个场景，并与48名人类参与者测试了眼神接触场景，以演示和评估期望的控制器行为。当被告知最大化联系而非最大化尴尬时，该人形机器人产生了25%更多的眼神接触。然而，尽管表现出期望的行为，参与者与人形机器人之间感知到的联系没有统计学差异。
引用
@article{arxiv.1701.03839,
title = {Exploring Model Predictive Control to Generate Optimal Control Policies for HRI Dynamical Systems},
author = {Steven Jens Jorgensen and Orion Campbell and Travis Llado and Donghyun Kim and Junhyeok Ahn and Luis Sentis},
journal= {arXiv preprint arXiv:1701.03839},
year = {2017}
}