风险拥挤环境中的机器人导航：理解人类偏好
机器人学
2023-03-16 v1 人工智能
摘要
风险且拥挤的环境（RCE）包含抽象的风险与不确定性来源，人类对其感知不同，从而导致多样化的行为。因此，部署在 RCE 中的机器人需要展现出多样的感知与规划能力，以解读其他人类智能体的行为并据此行动。为理解这一问题领域，我们开展了一项研究来探索人类在 RCE 中的路径选择，从而改进机器人导航的可解释 AI（XAI）设计。我们构建了一个新颖的 COVID-19 大流行杂货购物场景，其中包含时间-风险权衡，并收集了用户的路径偏好。我们发现参与者展现出多样的路径偏好：从冒险紧迫型到安全放松型。为建模用户决策，我们评估了三种流行的风险模型（累积前景理论（CPT）、条件风险价值（CVaR）与期望风险（ER））。我们发现 CPT 比 CVaR 和 ER 更准确地捕捉了人们的决策，印证了 CPT 比 CVaR 和 ER 更具表达力与包容性的理论结果。我们还发现人们对风险与时间紧迫性的自我评估与其在 RCE 中的路径偏好无关。最后，我们对开放式问题进行了主题分析，为 RCE 中的机器人提供了关键设计洞见。因此，通过本研究，我们提供了关于人类行为与感知的新颖且关键的洞见，以帮助在 RCE 中设计更好的导航可解释 AI（XAI）。
引用
@article{arxiv.2303.08284,
title = {Robot Navigation in Risky, Crowded Environments: Understanding Human Preferences},
author = {Aamodh Suresh and Angelique Taylor and Laurel D. Riek and Sonia Martinez},
journal= {arXiv preprint arXiv:2303.08284},
year = {2023}
}
备注
Under review