联邦人机协作环境中用户画像驱动的大规模多智能体示范学习
机器人学
2021-03-31 v1 人工智能
人机交互
机器学习
摘要
示范学习（LfD）已成为将技能从人类教师高效迁移至机器人的主导范式。在此背景下，联邦学习（FL）概念近来被引入以开发大规模人机协作环境，旨在稳健地应对多智能体学习与长期自主性等关键挑战。本工作在后者方案基础上进一步扩展与增强，通过设计并集成一种新颖的用户画像表述，以对呈现的人类行为提供细粒度表征，采用基于深度学习（DL）的形式化方法。具体而言，考虑一组按层次组织的关键信息源，包括：a) 用户属性（如人口统计、人体测量、教育等），b) 用户状态（如疲劳检测、压力检测、情绪识别等）以及 c) 心理生理测量（如注视、皮电活动、心率等）相关数据。随后，采用长短期记忆（LSTM）与堆叠自编码器的组合，配合适当定义的神经网络架构，用于建模步骤。所设计的整体方案支持对人类行为（在反馈捕获会话期间观测到）的短期与长期分析/解释，从而在同与不同人类教师处聚合信息时所采集反馈样本的重要性得以自适应调整。
引用
@article{arxiv.2103.16434,
title = {User profile-driven large-scale multi-agent learning from demonstration in federated human-robot collaborative environments},
author = {Georgios Th. Papadopoulos and Asterios Leonidis and Margherita Antona and Constantine Stephanidis},
journal= {arXiv preprint arXiv:2103.16434},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2012.08174