从有限人类反馈中合成信任学习用于减人负荷的多机器人部署
机器人学
2021-07-15 v2 多智能体系统
摘要
人类多机器人系统(MRS)协作因人类认知技能与机器人团队因其多成员结构所带来的强大能力的结合,在广泛应用场景中展现出潜力。然而,由于人类认知能力的有限性,人无法同时监控多个机器人并识别异常者,极大限制了人机MRS协作的效率。迫切需要有前瞻性地减少不必要的人类参与并进一步降低人类认知负荷。人类在人机MRS协作中对机器人的信任揭示了人类对机器人性能的期望。基于信任估计,人类与MRS之间的工作将被重新分配,使MRS自行监控并仅在关键情境中请求人类指导。受此启发,开发了一种新颖的合成信任学习(STL)方法来建模协作中的人类信任。STL探究人类信任的两个方面(信任水平与信任偏好),同时通过结合主动学习加速收敛速度以减少人类工作负荷。为验证方法有效性,在开放世界仿真环境中设计了“城市救援背景下搜索受害者”任务,并开展有10名志愿者的用户研究以生成真实人类信任反馈。结果表明,通过最大化利用人类反馈,STL以少量人类反馈实现了更高的信任建模精度,有效减少了建模准确信任所需的人类干预,从而降低协作中的人类认知负荷。
引用
@article{arxiv.2104.03151,
title = {Synthesized Trust Learning from Limited Human Feedback for Human-Load-Reduced Multi-Robot Deployments},
author = {Yijiang Pang and Chao Huang and Rui Liu},
journal= {arXiv preprint arXiv:2104.03151},
year = {2021}
}
备注
6 pages, 7 figures and in Proc. of RO-MAN 2021