面向人机协作的相关性

受人类选择性关注相关信息能力的启发，本文引入了相关性，一种用于人机协作（HRC）的新型降维过程。我们的方法包含一个持续运行的感知模块，评估场景内的线索充分性，并应用灵活的公式化与计算框架。为了准确高效地量化相关性，我们开发了一个基于事件的框架，该框架保持对场景的持续感知并有选择地触发相关性判定。在该框架内，我们开发了一种概率方法，该方法考虑了各种因素，并建立在一种新颖的结构化场景表示之上。仿真结果表明，相关性框架和方法能够准确预测一般 HRC 设置的相关性，实现了 0.99 的精确率、0.94 的召回率、0.96 的 F1 分数以及 0.94 的物体比率。相关性可广泛应用于 HRC 的多个领域，与纯规划相比，在谷物任务中将任务规划时间准确提高了 79.56%，将物体检测器的感知延迟降低了高达 26.53%，将 HRC 安全性提高了高达 13.50%，并将 HRC 的询问次数减少了 80.84%。真实世界演示展示了相关性框架智能且无缝地协助人类完成日常任务的能力。