面向人类学习动力学建模与影响

人类拥有关于机器人（如物理能力）、世界（如接下来会发生什么）和任务（如偏好目标）的内部模型。然而，人类内部模型并非总是完美的：例如，很容易低估机器人的惯性。尽管如此，这些模型随着人类积累更多经验会随时间改变并改进。有趣的是，机器人动作影响了这些经验是什么，因此影响了人们内部模型的改变方式。在这项工作中，我们朝着使机器人能够理解其所具有的影响、利用它来更好地辅助人们、并帮助人类模型更快与真实对齐迈出一步。我们的关键思想是将人类的学习建模为给定新观察演化人类内部模型的非线性动力系统。我们提出一种新颖的优化问题，以从自然展现人类学习的示范中推断人类的学习动力学。然后我们形式化机器人如何通过将被人类学习动力学模型嵌入机器人规划问题来影响人类学习。尽管我们的表述提供了具体的问题陈述，但在完全一般性下求解是不可处理的。我们贡献了一种近似，牺牲了可表示的人类内部模型的复杂性，但使机器人能够学习这些内部模型的非线性动力学。我们在一套模拟环境和一项面对面用户研究中评估我们的推断与规划方法，其中一条 7DOF 机械臂教导参与者成为更好的遥操作者。尽管影响人类学习仍是一个开放问题，我们的结果表明这种影响是可能的，并且在真实人机交互中是有帮助的。