論文の概要: Stress Propagation in Human-Robot Teams Based on Computational Logic
Model
- arxiv url: http://arxiv.org/abs/2211.04056v1
- Date: Tue, 8 Nov 2022 07:31:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 17:23:45.821982
- Title: Stress Propagation in Human-Robot Teams Based on Computational Logic
Model
- Title(参考訳): 計算論理モデルに基づく人間-ロボットチームの応力伝播
- Authors: Peter Shmerko, Yumi Iwashita, Adrian Stoica, Svetlana Yanushkevich
- Abstract要約: ミッションチームは、人生と死の決定の感情的な犠牲にさらされます。
我々は、人間と自律機械のチームにおけるストレスモニタリングのための複合モデルを開発した。
- 参考スコア(独自算出の注目度): 1.6344851071810071
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mission teams are exposed to the emotional toll of life and death decisions.
These are small groups of specially trained people supported by intelligent
machines for dealing with stressful environments and scenarios. We developed a
composite model for stress monitoring in such teams of human and autonomous
machines. This modelling aims to identify the conditions that may contribute to
mission failure. The proposed model is composed of three parts: 1) a
computational logic part that statically describes the stress states of
teammates; 2) a decision part that manifests the mission status at any time; 3)
a stress propagation part based on standard Susceptible-Infected-Susceptible
(SIS) paradigm. In contrast to the approaches such as agent-based, random-walk
and game models, the proposed model combines various mechanisms to satisfy the
conditions of stress propagation in small groups. Our core approach involves
data structures such as decision tables and decision diagrams. These tools are
adaptable to human-machine teaming as well.
- Abstract(参考訳): ミッションチームは、人生と死の決定の感情的な影響にさらされます。
これらは、知的機械がストレスの多い環境やシナリオを扱うために支援する、特別な訓練を受けた人々の小さなグループです。
人間と自律機械のチームにおけるストレスモニタリングのための複合モデルを開発した。
このモデリングは、ミッション失敗に寄与する可能性のある条件を特定することを目的としている。
提案モデルは3つの部分からなる。
1) チームメイトのストレス状態を静的に記述した計算論理部分
2 いつでも任務の状況を示す決定部分
3)標準感受性感染性(sis)パラダイムに基づく応力伝播部。
エージェントベース,ランダムウォーク,ゲームモデルなどのアプローチとは対照的に,提案モデルは小グループにおけるストレス伝搬の条件を満たすために,様々なメカニズムを組み合わせる。
私たちの中核的なアプローチは、意思決定テーブルや意思決定ダイアグラムのようなデータ構造です。
これらのツールは、人間と機械のチームにも適応できる。
関連論文リスト
- How Transformers Solve Propositional Logic Problems: A Mechanistic Analysis [16.65073455206535]
大きな言語モデル(LLM)は、計画と推論を必要とするタスクで素晴らしいパフォーマンスを示しています。
そこで本研究では,複雑な論理的推論を行うネットワークの能力の基盤となる内部メカニズムについて検討する。
論文 参考訳(メタデータ) (2024-11-06T18:35:32Z) - Co-designing heterogeneous models: a distributed systems approach [0.40964539027092917]
本稿では3つの要素に基づく異種システムに適したモデリング手法を提案する。
モデルとは何かという推論主義的な解釈、分散システムのメタファ、そして協調設計サイクルは、モデルの実践的な設計と構築を記述している。
本手法の適合性について,3つの異なるセキュリティ指向モデルを用いて検討する。
論文 参考訳(メタデータ) (2024-07-10T13:35:38Z) - HAZARD Challenge: Embodied Decision Making in Dynamically Changing
Environments [93.94020724735199]
HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。
このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
論文 参考訳(メタデータ) (2024-01-23T18:59:43Z) - Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。
L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。
我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
論文 参考訳(メタデータ) (2023-12-07T03:55:51Z) - Modeling Teams Performance Using Deep Representational Learning on
Graphs [0.0]
本稿では,チームのパフォーマンスを予測するために設計されたグラフニューラルネットワークモデルを提案する。
このモデルは、トポロジカル、集中、コンテキストという3つのアーキテクチャチャネルに基づいている。
第1のメカニズムは、チーム内のキーメンバーをピンポイントすることを可能にする。
第2のメカニズムにより、結果のパフォーマンスを決定する上での3つのドライバ効果の貢献を定量化できます。
論文 参考訳(メタデータ) (2022-06-29T16:12:22Z) - CausalCity: Complex Simulations with Agency for Causal Discovery and
Reasoning [68.74447489372037]
本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。
私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。
我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
論文 参考訳(メタデータ) (2021-06-25T00:21:41Z) - Paired Examples as Indirect Supervision in Latent Decision Models [109.76417071249945]
我々は、ペア化された例を活用して、潜在的な決定を学習するためのより強力な手がかりを提供する方法を紹介します。
DROPデータセット上のニューラルネットワークを用いた合成質問応答の改善に本手法を適用した。
論文 参考訳(メタデータ) (2021-04-05T03:58:30Z) - Towards an AI Coach to Infer Team Mental Model Alignment in Healthcare [18.712152010097878]
安全クリティカルドメインでは、共有メンタルモデルの欠如は、予防可能なエラーと害につながる可能性があります。
我々は、複雑な医療タスクの実行中にチームメンバーのメンタルモデルにおける不整合を推論するベイジアンアプローチを提示する。
論文 参考訳(メタデータ) (2021-02-17T00:14:08Z) - CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and
Transfer Learning [138.40338621974954]
CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。
タスクは、ブロックのセットから3D形状を構築することで構成される。
論文 参考訳(メタデータ) (2020-10-08T23:01:13Z) - Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。
本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。
提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
論文 参考訳(メタデータ) (2020-07-14T16:42:59Z)
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。