論文の概要: Robot Learning Theory of Mind through Self-Observation: Exploiting the
Intentions-Beliefs Synergy
- arxiv url: http://arxiv.org/abs/2210.09435v1
- Date: Mon, 17 Oct 2022 21:12:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 14:05:00.374400
- Title: Robot Learning Theory of Mind through Self-Observation: Exploiting the
Intentions-Beliefs Synergy
- Title(参考訳): 自己観察による心の学習理論 : 意図の爆発的理解
- Authors: Francesca Bianco and Dimitri Ognibene
- Abstract要約: 心の理論(みんがく、英: Theory of Mind、TOM)は、他のエージェントの信念、意図、精神状態に起因する能力である。
我々は,意図や目標などの低レベル精神状態を予測する学習と,信念などの高レベル精神状態に寄与する学習の相乗効果を示す。
我々は,今後の適応型社会ロボットの設計に,我々のアーキテクチャ的アプローチが関係することを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In complex environments, where the human sensory system reaches its limits,
our behaviour is strongly driven by our beliefs about the state of the world
around us. Accessing others' beliefs, intentions, or mental states in general,
could thus allow for more effective social interactions in natural contexts.
Yet these variables are not directly observable. Theory of Mind (TOM), the
ability to attribute to other agents' beliefs, intentions, or mental states in
general,
is a crucial feature of human social interaction and has become of interest
to the robotics community. Recently, new models that are able to learn TOM have
been introduced. In this paper, we show the synergy between learning to predict
low-level mental states, such as intentions and goals, and attributing
high-level ones, such as beliefs. Assuming that learning of beliefs can take
place by observing own decision and beliefs estimation processes in partially
observable environments and using a simple feed-forward deep learning model, we
show that when learning to predict others' intentions and actions, faster and
more accurate predictions can be acquired if beliefs attribution is learnt
simultaneously with action and intentions prediction. We show that the learning
performance improves even when observing agents with a different decision
process and is higher when observing beliefs-driven chunks of behaviour. We
propose that our architectural approach can be relevant for the design of
future adaptive social robots that should be able to autonomously understand
and assist human partners in novel natural environments and tasks.
- Abstract(参考訳): 人間の感覚システムが限界に達する複雑な環境では、私たちの行動は、私たちの周りの世界の状態に関する私たちの信念に強く左右される。
他人の信念、意図、精神状態にアクセスすることは、自然の文脈においてより効果的な社会的相互作用を可能にする。
しかし、これらの変数は直接観測できない。
心の理論(tom: theory of mind)は、他のエージェントの信念、意図、精神状態全般を識別する能力であり、人間の社会的相互作用の重要な特徴であり、ロボティクスコミュニティの関心を集めている。
近年、TOMを学習できる新しいモデルが導入されている。
本稿では,意図や目標などの低レベル精神状態を予測する学習と,信念などの高レベル精神状態に寄与する学習の相乗効果を示す。
信念の学習は、部分的に観察可能な環境で自己の判断と信念推定過程を観察し、単純なフィードフォワードディープラーニングモデルを用いて行われると仮定すると、他者の意図や行動を予測するために学習すると、信念の帰属が行動や意図の予測と同時に学習されると、より速く正確な予測が得られる。
異なる意思決定プロセスでエージェントを観察しても学習性能が向上し,信念駆動行動のチャンクを観察する場合には高い値を示す。
我々は,新しい自然環境と課題において,人間パートナーを自律的に理解し支援できるような,将来的な適応型社会ロボットの設計に,我々のアーキテクチャ的アプローチが関連することを示唆する。
関連論文リスト
- Learning mental states estimation through self-observation: a developmental synergy between intentions and beliefs representations in a deep-learning model of Theory of Mind [0.35154948148425685]
心の理論(りょうがく、英: Theory of Mind、ToM)とは、信念、意図、精神状態などを他人に関連付ける能力である。
我々は,低レベル精神状態を予測する学習と,高レベル精神状態に寄与する学習との間に発達的な相乗効果を示す。
我々は,人間の社会的認知発達の理解に,我々の計算的アプローチが役立つことを示唆する。
論文 参考訳(メタデータ) (2024-07-25T13:15:25Z) - Machine Psychology [54.287802134327485]
我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。
本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。
これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
論文 参考訳(メタデータ) (2023-03-24T13:24:41Z) - World Models and Predictive Coding for Cognitive and Developmental
Robotics: Frontiers and Challenges [51.92834011423463]
我々は世界モデルと予測符号化の2つの概念に焦点を当てる。
神経科学において、予測符号化は、脳がその入力を継続的に予測し、その環境における自身のダイナミクスと制御行動のモデル化に適応するように提案する。
論文 参考訳(メタデータ) (2023-01-14T06:38:14Z) - Flexible social inference facilitates targeted social learning when
rewards are not observable [58.762004496858836]
グループは、個人が他人の成功から学べるときにより効果的にコーディネートする。
社会的推論能力は、このギャップを埋める助けとなり、個人が他人の基本的な知識に対する信念を更新し、観察可能な行動軌跡から成功することを示唆する。
論文 参考訳(メタデータ) (2022-12-01T21:04:03Z) - Modeling Human Behavior Part I -- Learning and Belief Approaches [0.0]
探索とフィードバックを通じて行動のモデルや方針を学ぶ手法に焦点を当てる。
次世代の自律的適応システムは、主にAIエージェントと人間がチームとして一緒に働く。
論文 参考訳(メタデータ) (2022-05-13T07:33:49Z) - Data-driven emotional body language generation for social robotics [58.88028813371423]
社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。
我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。
評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
論文 参考訳(メタデータ) (2022-05-02T09:21:39Z) - Rediscovering Affordance: A Reinforcement Learning Perspective [30.61766085961884]
本稿では,認知科学における強化学習理論に基づく情報量形成の総合的理論を提案する。
この理論を仮想ロボットモデルに実装し,対話型ウィジェットタスクにおける可利用性の人間ライクな適応を実証する。
論文 参考訳(メタデータ) (2021-12-24T00:25:03Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳(メタデータ) (2021-03-16T13:50:24Z) - AGENT: A Benchmark for Core Psychological Reasoning [60.35621718321559]
直観心理学は、観察可能な行動を駆動する隠された精神変数を推論する能力です。
他のエージェントを推論する機械エージェントに対する近年の関心にもかかわらず、そのようなエージェントが人間の推論を駆動するコア心理学の原則を学ぶか保持するかは明らかではない。
本稿では,プロシージャが生成する3dアニメーション,エージェントを4つのシナリオで構成したベンチマークを提案する。
論文 参考訳(メタデータ) (2021-02-24T14:58:23Z) - Towards hybrid primary intersubjectivity: a neural robotics library for
human science [4.232614032390374]
主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観的主観
本研究では,人-ロボットインタラクション実験のためのオープンソース手法であるテクスチュラルロボティクスライブラリ(NRL)を提案する。
人-ロボット間(ハイブリッド)が人間の科学研究に寄与する方法について論じる。
論文 参考訳(メタデータ) (2020-06-29T11:35:46Z)
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。