FRAC-Q学习：一种具有厌烦规避过程、面向社交机器人的强化学习方法
机器人学
2024-12-02 v6 人机交互
机器学习
摘要
强化学习算法常被应用于社交机器人。然而，大多数强化学习算法并未针对社交机器人的使用进行优化，因此可能会使使用者感到厌烦。我们提出了一种专为社交机器人设计的新型强化学习方法——FRAC-Q学习，该方法能够避免用户厌烦。所提出的算法除随机化和分类过程外，还包含一个遗忘过程。本研究通过与传统的Q学习进行比较，评估了FRAC-Q学习的兴趣度与厌烦耐受度得分。相比传统Q学习，FRAC-Q学习表现出显著更高的兴趣度得分趋势，且显著更不易使用户感到厌烦。因此，FRAC-Q学习有助于开发不会使用户厌烦的社交机器人。所提出的算法具有应用于基于Web的通信与教育系统之潜力。本文首次呈现了FRAC-Q学习的完整流程、详细实现及详细评估方法。
引用
@article{arxiv.2311.15327,
title = {FRAC-Q-Learning: A Reinforcement Learning with Boredom Avoidance Processes for Social Robots},
author = {Akinari Onishi},
journal= {arXiv preprint arXiv:2311.15327},
year = {2024}
}