利用因果分析从任务演示中学习规约
人工智能
2019-06-25 v1 机器学习
摘要
学习用户行为模型是一个重要问题，广泛适用于许多需要人机交互的应用领域。在本工作中，我们表明，通过在潜在空间中强制对首选任务解决方案进行聚类，可以学习从人类演示中提取的不同用户行为类型的生成模型。我们使用该模型来区分用户类型，并寻找具有重叠解决方案的案例。此外，通过在可微的学习模型中进行反向传播，我们可以改变初始猜测的解决方案，以满足构成特定用户类型的偏好。以这种方式构建生成模型的一个优势是，它使我们能够提取可能构成用户任务规约的符号之间的因果关系，正如在演示中所表现的那样。我们表明，所提出的方法能够正确区分三种用户类型，这些用户在桌面环境中使用动力学驱动机器人执行移动物体任务时，其运动谨慎程度有所不同。在 99% [97.8 - 99.8] 的案例中，我们的方法在指定时间内成功识别了正确的类型，优于 IRL 基线。我们还表明，即使面对未见过的物体，我们提出的方法也能正确地将默认轨迹改变为满足特定用户规约的轨迹。结果显示，所得轨迹可直接在完成相同任务的 PR2 人形机器人上实现。
引用
@article{arxiv.1903.01267,
title = {Using Causal Analysis to Learn Specifications from Task Demonstrations},
author = {Daniel Angelov and Yordan Hristov and Subramanian Ramamoorthy},
journal= {arXiv preprint arXiv:1903.01267},
year = {2019}
}