面向真实世界人机交互的内驱强化学习
机器人学
2018-04-17 v1
摘要
对于自然的社会性人机交互，机器人学习类人社交技能至关重要。然而，由于人们直接指导机器人教学的可用性有限，学习此类技能异常困难。本文提出一种内驱强化学习框架，其中智能体通过动作条件预测模型获得基于内在动机的奖励。通过使用所提出的方法，机器人从在真实非受控环境中收集的人机交互经验中学习社交技能。结果表明，在测试数据集上，该机器人不仅习得了类人社交技能，而且比仅因完成任务而获得直接奖励的机器人做出了更类人的决策。
引用
@article{arxiv.1804.05259,
title = {Intrinsically motivated reinforcement learning for human-robot interaction in the real-world},
author = {Ahmed Hussain Qureshi and Yutaka Nakamura and Yuichiro Yoshikawa and Hiroshi Ishiguro},
journal= {arXiv preprint arXiv:1804.05259},
year = {2018}
}
备注
34 pages