論文の概要: Modeling Human Temporal Uncertainty in Human-Agent Teams

• arxiv url: http://arxiv.org/abs/2010.04849v1
• Date: Fri, 9 Oct 2020 23:43:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 06:06:38.467262
• Title: Modeling Human Temporal Uncertainty in Human-Agent Teams
• Title（参考訳）: ヒューマンエージェントチームにおける時間的不確かさのモデル化
• Authors: Maya Abo Dominguez, William La, James C. Boerkoel Jr
• Abstract要約: 本稿では,集団労働者の集団から人的タイミングの不確実性のモデルを構築した。 重み付き分布は人間の時間的不確実性の最良のモデルであると結論付けている。 我々は,これらの結果と協調的なオンラインゲームが,ロボットの流速を改善するためのスケジューリングの今後の探索にどのように役立つかについて議論する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automated scheduling is potentially a very useful tool for facilitating efficient, intuitive interactions between a robot and a human teammate. However, a current gapin automated scheduling is that it is not well understood how to best represent the timing uncertainty that human teammates introduce. This paper attempts to address this gap by designing an online human-robot collaborative packaging game that we use to build a model of human timing uncertainty from a population of crowd-workers. We conclude that heavy-tailed distributions are the best models of human temporal uncertainty, with a Log-Normal distribution achieving the best fit to our experimental data. We discuss how these results along with our collaborative online game will inform and facilitate future explorations into scheduling for improved human-robot fluency.
• Abstract（参考訳）: 自動化されたスケジューリングは、ロボットと人間のチームメイトとの効率的で直感的なインタラクションを促進する上で、非常に有用なツールになり得る。 しかし、現在の自動スケジューリングのギャップは、人間のチームメイトが導入するタイミングの不確実性を最もよく表現する方法が理解されていないことである。 本稿では,クラウドワーカーの集団から人為的タイミングの不確実性のモデルを構築するために,オンライン人間ロボット協調パッケージングゲームの設計により,このギャップに対処する試みを行う。 重み付き分布は人間の時間的不確実性の最良のモデルであり、Log-Normal分布は我々の実験データに最も適している。 我々は,これらの結果と協調的なオンラインゲームが,ロボットの流速を改善するためのスケジューリングの今後の探索にどのように役立つかについて議論する。

関連論文リスト

• Real-time Addressee Estimation: Deployment of a Deep-Learning Model on the iCub Robot [52.277579221741746]
  住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。 人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。 本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
  論文  参考訳（メタデータ） (2023-11-09T13:01:21Z)
• ManiCast: Collaborative Manipulation with Cost-Aware Human Forecasting [8.274511768083665]
  コストを意識した人的予測を学習し、それらをモデル予測制御プランナに供給する新しいフレームワークであるManiCastを提示する。 我々のフレームワークは、人間と7-DoFロボットアーム間の流動的でリアルタイムな対話を可能にする。
  論文  参考訳（メタデータ） (2023-10-20T03:34:31Z)
• Learning Coordination Policies over Heterogeneous Graphs for Human-Robot Teams via Recurrent Neural Schedule Propagation [0.0]
  HybridNetは、人間のロボットチームをスケジューリングするためのディープラーニングベースのフレームワークである。 マルチラウンド環境で混在するロボットチームのための仮想スケジューリング環境を開発する。
  論文  参考訳（メタデータ） (2023-01-30T20:42:06Z)
• It Takes Two: Learning to Plan for Human-Robot Cooperative Carrying [0.6981715773998527]
  本研究では,協調型ロボットチームにおけるテーブルキャリング作業における現実的な動作計画の予測手法を提案する。 変動リカレントニューラルネットワーク(VRNN)を用いて、時間とともに人間のロボットチームの軌道の変動をモデル化する。 本モデルでは, ベースライン型集中型サンプリングベースプランナに比べて, より人間的な動きを生成できることを示す。
  論文  参考訳（メタデータ） (2022-09-26T17:59:23Z)
• Intuitive and Efficient Human-robot Collaboration via Real-time Approximate Bayesian Inference [4.310882094628194]
  コラボレーションロボットとエンドツーエンドAIは、工場や倉庫における人間のタスクの柔軟な自動化を約束する。 人間とコボットは互いに協力します。 これらのコラボレーションが効果的で安全であるためには、ロボットは人間の意図をモデル化し、予測し、活用する必要がある。
  論文  参考訳（メタデータ） (2022-05-17T23:04:44Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• Show Me What You Can Do: Capability Calibration on Reachable Workspace for Human-Robot Collaboration [83.4081612443128]
  本稿では,REMPを用いた短時間キャリブレーションにより,ロボットが到達できると考える非専門家と地道とのギャップを効果的に埋めることができることを示す。 この校正手順は,ユーザ認識の向上だけでなく,人間とロボットのコラボレーションの効率化にも寄与することを示す。
  論文  参考訳（メタデータ） (2021-03-06T09:14:30Z)
• Joint Mind Modeling for Explanation Generation in Complex Human-Robot Collaborative Tasks [83.37025218216888]
  本稿では,人間とロボットのコラボレーションにおいて,人間のようなコミュニケーションを実現するための新しい説明可能なAI(XAI)フレームワークを提案する。 ロボットは、人間のユーザの階層的なマインドモデルを構築し、コミュニケーションの一形態として自身のマインドの説明を生成する。 その結果,提案手法はロボットの協調動作性能とユーザ認識を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2020-07-24T23:35:03Z)
• Human-Robot Team Coordination with Dynamic and Latent Human Task Proficiencies: Scheduling with Learning Curves [0.0]
  ロボットが人間のチームメイトの相対的な強みと学習能力を探索できる新しい資源調整手法を提案する。 我々は、最新の個人労働者の熟練度を発見しながら、頑健なスケジュールを作成し、評価する。 その結果,人間とロボットのコラボレーションには,探索に有利なスケジューリング戦略が有用であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-03T19:44:22Z)
• Is the Most Accurate AI the Best Teammate? Optimizing AI for Teamwork [54.309495231017344]
  AIシステムは人間中心の方法でトレーニングされ、チームのパフォーマンスに直接最適化されるべきである、と私たちは主張する。 我々は,AIレコメンデーションを受け入れるか,あるいはタスク自体を解決するかを選択する,特定のタイプのAIチームを提案する。 実世界の高精度データセット上での線形モデルと非線形モデルによる実験は、AIが最も正確であることは、最高のチームパフォーマンスに繋がらないことを示している。
  論文  参考訳（メタデータ） (2020-04-27T19:06:28Z)
• Human Grasp Classification for Reactive Human-to-Robot Handovers [50.91803283297065]
  本稿では,ロボットが人間に遭遇するロボットのハンドオーバに対するアプローチを提案する。 対象物をさまざまな手形やポーズで保持する典型的な方法をカバーする,人間の把握データセットを収集する。 本稿では,検出した把握位置と手の位置に応じて人手から対象物を取り出す計画実行手法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T19:58:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。