論文の概要: Assistive Teaching of Motor Control Tasks to Humans

• arxiv url: http://arxiv.org/abs/2211.14003v1
• Date: Fri, 25 Nov 2022 10:18:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 18:24:12.358255
• Title: Assistive Teaching of Motor Control Tasks to Humans
• Title（参考訳）: 人間に対する運動制御タスクの補助的指導
• Authors: Megha Srivastava, Erdem Biyik, Suvir Mirchandani, Noah Goodman, Dorsa Sadigh
• Abstract要約: 本稿では,任意の運動制御タスクを学習可能なスキルに分解するAI支援学習アルゴリズムを提案する。 本研究は,スキルを身につけないフルトラジェクトリーを実践するよりも,学生のパフォーマンスを約40%向上させることを示す。
• 参考スコア（独自算出の注目度）: 18.537539158464213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent works on shared autonomy and assistive-AI technologies, such as assistive robot teleoperation, seek to model and help human users with limited ability in a fixed task. However, these approaches often fail to account for humans' ability to adapt and eventually learn how to execute a control task themselves. Furthermore, in applications where it may be desirable for a human to intervene, these methods may inhibit their ability to learn how to succeed with full self-control. In this paper, we focus on the problem of assistive teaching of motor control tasks such as parking a car or landing an aircraft. Despite their ubiquitous role in humans' daily activities and occupations, motor tasks are rarely taught in a uniform way due to their high complexity and variance. We propose an AI-assisted teaching algorithm that leverages skill discovery methods from reinforcement learning (RL) to (i) break down any motor control task into teachable skills, (ii) construct novel drill sequences, and (iii) individualize curricula to students with different capabilities. Through an extensive mix of synthetic and user studies on two motor control tasks -- parking a car with a joystick and writing characters from the Balinese alphabet -- we show that assisted teaching with skills improves student performance by around 40% compared to practicing full trajectories without skills, and practicing with individualized drills can result in up to 25% further improvement. Our source code is available at https://github.com/Stanford-ILIAD/teaching
• Abstract（参考訳）: 近年,ロボット遠隔操作支援などの自律性と補助的ai技術に関する研究が,一定のタスクにおいて限られた能力を持つユーザをモデル化し,支援することを目指している。 しかしながら、これらのアプローチは人間が適応する能力を考慮して失敗し、最終的には制御タスク自体の実行方法を学ぶ。 さらに、人間が介入することが望ましいアプリケーションでは、これらの方法は完全な自己制御で成功する方法を学ぶ能力を阻害する可能性がある。 本稿では,自動車の駐車や航空機の着陸といった運動制御タスクの補助的指導の問題に焦点をあてる。 ヒトの日常活動や職業においてユビキタスな役割を担っているにもかかわらず、運動タスクは高い複雑さと分散のために一様に教えられることは滅多にない。 強化学習(RL)からスキル発見手法を活用するAI支援学習アルゴリズムを提案する。 (i)任意の運動制御タスクを教示可能なスキルに分解する。 (二)新しいドリルシーケンスの構築、及び (三)異なる能力の学生にカリキュラムを個別化する。 2つの運動制御タスク - ジョイスティックで車を駐車し、バリニーズアルファベットから文字を書く - について、合成とユーザーによる広範囲な研究を通して、スキルによる教育は、スキルのない完全な軌道を実践するよりも約40%向上し、個別化されたドリルを実践することで最大25%の改善をもたらすことが示されている。 ソースコードはhttps://github.com/Stanford-ILIAD/teachingで入手できる。

関連論文リスト

• SPIRE: Synergistic Planning, Imitation, and Reinforcement Learning for Long-Horizon Manipulation [58.14969377419633]
  タスクをより小さな学習サブプロブレムに分解し、第2に模倣と強化学習を組み合わせてその強みを最大化するシステムであるspireを提案する。 我々は、模倣学習、強化学習、計画を統合する従来の手法よりも平均タスク性能が35%から50%向上していることを発見した。
  論文  参考訳（メタデータ） (2024-10-23T17:42:07Z)
• Mimicking the Maestro: Exploring the Efficacy of a Virtual AI Teacher in Fine Motor Skill Acquisition [3.07176124710244]
  運動スキル、特に手書きなどの運動スキルは、学術的な追求や日常生活において重要な役割を担っている。 これらのスキルを効果的に教える伝統的な方法は、時間がかかり、一貫性がない。 我々は,人間の教官の特徴を捉えたAI教師モデルを導入する。
  論文  参考訳（メタデータ） (2023-10-16T11:11:43Z)
• Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
  我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。 本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。 強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
  論文  参考訳（メタデータ） (2022-08-04T23:53:51Z)
• Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
  多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。 本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。 我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
  論文  参考訳（メタデータ） (2021-09-19T18:00:51Z)
• Hierarchical Affordance Discovery using Intrinsic Motivation [69.9674326582747]
  本研究では,移動ロボットの価格学習を支援するために,本質的なモチベーションを用いたアルゴリズムを提案する。 このアルゴリズムは、事前にプログラムされたアクションなしで、相互に関連のある価格を自律的に発見し、学習し、適応することができる。 一度学習すると、これらの余裕はアルゴリズムによって様々な困難を伴うタスクを実行するために一連のアクションを計画するために使われる。
  論文  参考訳（メタデータ） (2020-09-23T07:18:21Z)
• Towards General and Autonomous Learning of Core Skills: A Case Study in Locomotion [19.285099263193622]
  我々は,足の広いロボットに対して,洗練された移動動作を学習できる学習フレームワークを開発した。 我々の学習フレームワークは、データ効率のよいマルチタスクRLアルゴリズムと、ロボット間で意味論的に同一の報酬関数のセットに依存している。 現実世界の四足ロボットを含む9種類のロボットに対して、同じアルゴリズムが、多種多様な再利用可能な運動スキルを迅速に学習できることを実証する。
  論文  参考訳（メタデータ） (2020-08-06T08:23:55Z)
• Learning Agile Robotic Locomotion Skills by Imitating Animals [72.36395376558984]
  動物の多様でアジャイルな運動スキルを再現することは、ロボット工学における長年の課題である。 そこで本研究では,現実世界の動物を模倣することで,足のロボットがアジャイルな運動能力を学ぶことができる模倣学習システムを提案する。
  論文  参考訳（メタデータ） (2020-04-02T02:56:16Z)
• Learning to Walk in the Real World with Minimal Human Effort [80.7342153519654]
  我々は,人間の努力を最小限に抑えて,現実世界の深いRLを用いた足の移動ポリシーを学習するシステムを開発した。 人間の介入がほとんどないミニチュアロボットにおいて,ロボットの移動スキルを自動的かつ効率的に学習することができる。
  論文  参考訳（メタデータ） (2020-02-20T03:36:39Z)

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。