面向近距离教学的共享自主性

运动技能学习通常需要经验丰富的专业人士才能提供个性化指导。不幸的是，针对专业任务（如高性能赛车）的高质量训练资源有限。最近几项工作已利用AI辅助来改进从康复到手术机器人遥操作等任务的教学。然而，这些工作常对学生的学习过程做出简化假设，未能建模教师的帮助如何与不同个体能力相互作用以确定最优教学策略。灵感来自教育心理学中的脚手架（scaffolding）概念，我们利用共享自主性（shared autonomy）框架，将用户输入与机器人自主性相结合，以辅助课程设计。我们的关键见解是，学生在自主代理 assistance 存在下的行为改善方式，能够揭示哪些子技能最“可学习”，或处于其近似开发区（Zone of Proximal Development）。我们利用这一点设计了Z-COACH，一种利用共享自主性提供针对可解释任务子技能的个性化指导的方法。在一次用户研究（n=50）中，我们在CARLA自主驾驶模拟器中模拟的Thunderhill Raceway Park赛道环境中教授高性能赛车，结果表明Z-COACH有助于确定每个学生应首先练习的技能，从而在驾驶时间、行为和平滑性方面实现整体改进。我们的工作表明，日益增多的半自主能力（例如在车辆、机器人中）不仅能帮助人类用户，而且还能帮助*教育*他们。