論文の概要: How Do Human Users Teach a Continual Learning Robot in Repeated Interactions?

• arxiv url: http://arxiv.org/abs/2307.00123v1
• Date: Fri, 30 Jun 2023 20:29:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 18:04:18.735727
• Title: How Do Human Users Teach a Continual Learning Robot in Repeated Interactions?
• Title（参考訳）: 繰り返し対話する学習ロボットを、人間ユーザはどうやって教えるのか?
• Authors: Ali Ayub, Jainish Mehta, Zachary De Francesco, Patrick Holthaus, Kerstin Dautenhahn and Chrystopher L. Nehaniv
• Abstract要約: 我々は、人間が長期にわたって連続学習ロボットを教える方法を理解するために、連続学習に人間中心のアプローチをとる。 我々は,200のセッションで連続学習ロボットと対話する40名の参加者を対象に,対人調査を行った。 本研究で収集したデータの質的,定量的な分析により,個々の利用者の指導スタイルに有意な差異があることが示唆された。
• 参考スコア（独自算出の注目度）: 7.193217430660011
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual learning (CL) has emerged as an important avenue of research in recent years, at the intersection of Machine Learning (ML) and Human-Robot Interaction (HRI), to allow robots to continually learn in their environments over long-term interactions with humans. Most research in continual learning, however, has been robot-centered to develop continual learning algorithms that can quickly learn new information on static datasets. In this paper, we take a human-centered approach to continual learning, to understand how humans teach continual learning robots over the long term and if there are variations in their teaching styles. We conducted an in-person study with 40 participants that interacted with a continual learning robot in 200 sessions. In this between-participant study, we used two different CL models deployed on a Fetch mobile manipulator robot. An extensive qualitative and quantitative analysis of the data collected in the study shows that there is significant variation among the teaching styles of individual users indicating the need for personalized adaptation to their distinct teaching styles. The results also show that although there is a difference in the teaching styles between expert and non-expert users, the style does not have an effect on the performance of the continual learning robot. Finally, our analysis shows that the constrained experimental setups that have been widely used to test most continual learning techniques are not adequate, as real users interact with and teach continual learning robots in a variety of ways. Our code is available at https://github.com/aliayub7/cl_hri.
• Abstract（参考訳）: 近年,機械学習 (ML) とヒューマンロボットインタラクション (HRI) の交差点において,ロボットが人間との長期的な対話を通じて,環境内で継続的に学習できるように,連続学習 (CL) が重要な研究ルートとして浮上している。 しかし、継続学習のほとんどの研究は、静的データセットで新しい情報を素早く学習できる連続学習アルゴリズムを開発するためにロボット中心で行われている。 本稿では,人間中心の継続的学習のアプローチを取り入れ,人間が長期にわたって継続学習ロボットをどう教えるか,その教え方に違いがあるかを理解する。 我々は,連続学習ロボットと対話する40名を対象に,200セッションの対面実験を行った。 本研究では,Fetch移動マニピュレータロボットに搭載された2種類のCLモデルを用いた。 本研究で収集したデータの質的,定量的な分析により,個々の学習スタイルに個別化の必要性を示す個々の学習スタイルに有意な差異があることが示唆された。 また, 熟練者と非熟練者の間には授業スタイルの違いがあるものの, 連続学習ロボットの性能には影響を与えないことを示した。 最後に,本分析の結果から,ほとんどの継続学習技術をテストするために広く用いられている制約付き実験装置は,実際のユーザがさまざまな方法で対話し,継続学習ロボットを教えるため,不十分であることがわかった。 私たちのコードはhttps://github.com/aliayub7/cl_hriで利用可能です。

関連論文リスト

• On the Effect of Robot Errors on Human Teaching Dynamics [1.7249361224827533]
  ロボットエラーの存在と重大さが、人間の教示力学の3次元にどのように影響するかを考察する。 結果は、人々はロボットにエラーを教えるのにより多くの時間を費やす傾向があることを示している。 対話型学習のための効果的なインタフェースを設計するための貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-15T19:02:34Z)
• Human-Robot Mutual Learning through Affective-Linguistic Interaction and Differential Outcomes Training [Pre-Print] [0.3811184252495269]
  本研究では,感情言語コミュニケーションが人間ロボットの文脈における相互学習にどのように影響するかを検証する。 児童介護のダイナミックスからインスピレーションを得て、私たちの人間とロボットのインタラクションのセットアップは、内部的、ホメオスタティックに制御されたニーズのコミュニケーション方法を学ぶための(シミュレートされた)ロボットで構成されています。
  論文  参考訳（メタデータ） (2024-07-01T13:35:08Z)
• Evaluating Continual Learning on a Home Robot [30.620205237707342]
  そこで本研究では,現実の低コストなホームロボットにおいて,連続学習手法をどのように適用することができるかを示す。 本稿では,スキルライブラリを継続的に学習するSANERと,それを支援するバックボーンとしてABIPを提案する。
  論文  参考訳（メタデータ） (2023-06-04T17:14:49Z)
• Continual Learning through Human-Robot Interaction -- Human Perceptions of a Continual Learning Robot in Repeated Interactions [7.717214217542406]
  物体認識のためのCLモデルとFetch移動マニピュレータロボットを統合するシステムを開発した。 300セッション(参加者5セッション)でシステムと対話する60人の参加者を対象に調査を行った。 本研究は, ロボットが学習対象を忘れた場合, 継続学習ロボットの信頼性, 能力, ユーザビリティに対する参加者の認識が, 複数のセッションで著しく低下することが示唆された。
  論文  参考訳（メタデータ） (2023-05-22T01:14:46Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
  人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。 本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:14:33Z)
• 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)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• 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)
• The State of Lifelong Learning in Service Robots: Current Bottlenecks in Object Perception and Manipulation [3.7858180627124463]
  State-of-the-artは、オブジェクトの知覚と操作を適切に結合するように改善を続けている。 ほとんどの場合、ロボットは様々な物体を認識でき、衝突のない軌道を素早く計画して対象物を把握できる。 このような環境下では、バッチ学習に使用するトレーニングデータがどれほど広範囲であっても、ロボットは常に新しいオブジェクトに直面する。 ロボットの自己学習とは別に、専門家でないユーザは、体験獲得のプロセスを対話的にガイドできる。
  論文  参考訳（メタデータ） (2020-03-18T11:00:55Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。