論文の概要: Combating Spatial Disorientation in a Dynamic Self-Stabilization Task Using AI Assistants

• arxiv url: http://arxiv.org/abs/2409.14565v1
• Date: Mon, 9 Sep 2024 21:06:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 22:08:18.082534
• Title: Combating Spatial Disorientation in a Dynamic Self-Stabilization Task Using AI Assistants
• Title（参考訳）: AIアシスタントを用いた動的自己安定化作業における空間的不整合の回避
• Authors: Sheikh Mannan, Paige Hansen, Vivekanand Pandey Vimal, Hannah N. Davies, Paul DiZio, Nikhil Krishnaswamy,
• Abstract要約: 空間的不整合は、致命的な航空機事故の主要な原因である。 本稿では、パイロットがバランスを維持し、回収不能な制御損失を防止できるAIエージェントの可能性について検討する。
• 参考スコア（独自算出の注目度）: 5.42300240053097
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Spatial disorientation is a leading cause of fatal aircraft accidents. This paper explores the potential of AI agents to aid pilots in maintaining balance and preventing unrecoverable losses of control by offering cues and corrective measures that ameliorate spatial disorientation. A multi-axis rotation system (MARS) was used to gather data from human subjects self-balancing in a spaceflight analog condition. We trained models over this data to create "digital twins" that exemplified performance characteristics of humans with different proficiency levels. We then trained various reinforcement learning and deep learning models to offer corrective cues if loss of control is predicted. Digital twins and assistant models then co-performed a virtual inverted pendulum (VIP) programmed with identical physics. From these simulations, we picked the 5 best-performing assistants based on task metrics such as crash frequency and mean distance from the direction of balance. These were used in a co-performance study with 20 new human subjects performing a version of the VIP task with degraded spatial information. We show that certain AI assistants were able to improve human performance and that reinforcement-learning based assistants were objectively more effective but rated as less trusted and preferable by humans.
• Abstract（参考訳）: 空間的不整合は、致命的な航空機事故の主要な原因である。 本稿では,空間的不整合を改善するための手がかりと補正手段を提供することにより,パイロットのバランス維持と制御不能な損失を防止するためのAIエージェントの可能性を探る。 多軸回転システム (MARS) を用いて, 宇宙飛行のアナログ条件下での自己バランスデータ収集を行った。 このデータを使ってモデルをトレーニングし、習熟度が異なる人間のパフォーマンス特性を実証する「デジタルツイン」を作りました。 そして,制御の喪失が予測された場合,様々な強化学習モデルと深層学習モデルを訓練した。 デジタルツインとアシスタントモデルは、同じ物理でプログラムされた仮想反転振り子(VIP)を共同で実行した。 これらのシミュレーションから,衝突頻度やバランス方向からの平均距離といったタスク指標に基づいて,ベストパフォーマンスのアシスタントを5つ選択した。 これらは、劣化した空間情報を含むVIPタスクのバージョンを実行する20人の新しい被験者による共同パフォーマンス研究で使用された。 特定のAIアシスタントは、人間のパフォーマンスを向上させることができ、強化学習に基づくアシスタントは客観的に効果的であるが、人間には信頼されず、好ましくないと評価されている。

関連論文リスト

• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• Addressing and Visualizing Misalignments in Human Task-Solving Trajectories [5.166083532861163]
  本稿では,軌跡データにおける不一致を検出し,分類するための可視化ツールとアルゴリズムを提案する。 これらのミスアライメントを取り除くことで、AIモデルのトレーニングのための軌道データの有用性が大幅に向上することを期待しています。
  論文  参考訳（メタデータ） (2024-09-21T16:38:22Z)
• MIRACLE: Inverse Reinforcement and Curriculum Learning Model for Human-inspired Mobile Robot Navigation [13.824617183645291]
  緊急のシナリオでは、移動ロボットは人間のようにナビゲートし、最初の応答者と干渉することなく、潜在的な犠牲者を素早く見つけ出す刺激を解釈しなければならない。 我々は、ゲーミフィケーション学習を用いて刺激駆動型人間のナビゲーションデータを収集するソリューション、MIRACLEを提案する。 このデータは、Deep Inverseの最大エントロピー強化学習モデルをトレーニングするために使用され、実証者の能力への依存を減らす。
  論文  参考訳（メタデータ） (2023-12-06T18:13:21Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Multi-model fusion for Aerial Vision and Dialog Navigation based on human attention aids [69.98258892165767]
  本稿では,2023年ICCV会話史のための航空航法課題について述べる。 本稿では,人間注意支援型トランスフォーマモデル(HAA-Transformer)と人間注意支援型LSTMモデル(HAA-LSTM)の融合訓練方法を提案する。
  論文  参考訳（メタデータ） (2023-08-27T10:32:52Z)
• Multi-Agent Deep Reinforcement Learning for Dynamic Avatar Migration in AIoT-enabled Vehicular Metaverses with Trajectory Prediction [70.9337170201739]
  本稿では,その歴史データに基づいて,知的車両の将来の軌跡を予測するモデルを提案する。 提案アルゴリズムは,予測なしでアバタータスクの実行遅延を約25%削減できることを示す。
  論文  参考訳（メタデータ） (2023-06-26T13:27:11Z)
• Improving GANs with A Dynamic Discriminator [106.54552336711997]
  我々は、オンザフライで調整可能な判別器は、そのような時間変化に適応できると論じる。 総合的な実証研究により、提案したトレーニング戦略がDynamicDと呼ばれ、追加のコストやトレーニング目標を発生させることなく、合成性能を向上させることが確認された。
  論文  参考訳（メタデータ） (2022-09-20T17:57:33Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Maneuver Identification Challenge [6.154050700252063]
  Maneuver Identification Challengeは、飛行シミュレーターで練習しているパイロットから集めた何千もの軌道を提供する。 第一の課題は、物理的にもっともらしい(良い)軌跡と不可能な(悪い)軌跡を分離することである。 第2の課題は、軌道を意図した操作でラベル付けし、それらの操作の質を評価することである。
  論文  参考訳（メタデータ） (2021-08-25T22:41:45Z)
• Adaptive t-Momentum-based Optimization for Unknown Ratio of Outliers in Amateur Data in Imitation Learning [3.145455301228175]
  行動学(BC)は、人間のスキルをロボットに安全かつ直接移譲する可能性が高い。 不完全な実演から模倣者が効果的に学習できるようにするため,ロバストなtモーメント最適化アルゴリズムを提案する。 このアルゴリズムが、未知の重みを持つデータセットに対して、堅牢なBC模倣子を生成するためにどのように使用できるかを実証的に示す。
  論文  参考訳（メタデータ） (2021-08-02T04:30:41Z)

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。