論文の概要: Improving Trust Estimation in Human-Robot Collaboration Using Beta Reputation at Fine-grained Timescales

• arxiv url: http://arxiv.org/abs/2411.01866v1
• Date: Mon, 04 Nov 2024 07:46:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:49:05.168761
• Title: Improving Trust Estimation in Human-Robot Collaboration Using Beta Reputation at Fine-grained Timescales
• Title（参考訳）: 微粒な時間スケールでのベータ評価を用いた人間-ロボット協調の信頼度推定の改善
• Authors: Resul Dagdanov, Milan Andrejevic, Dikai Liu, Chin-Teng Lin,
• Abstract要約: ベータ評価は、人間の信頼を数学的に推定する一般的な方法である。 これはバイナリパフォーマンスに依存しており、各タスクの終了後にのみ信頼推定を更新する。 本稿では,詳細な時間スケールでのベータ評価を用いた信頼度推定のための新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 28.8269384384984
• License:
• Abstract: When interacting with each other, humans adjust their behavior based on perceived trust. However, to achieve similar adaptability, robots must accurately estimate human trust at sufficiently granular timescales during the human-robot collaboration task. A beta reputation is a popular way to formalize a mathematical estimation of human trust. However, it relies on binary performance, which updates trust estimations only after each task concludes. Additionally, manually crafting a reward function is the usual method of building a performance indicator, which is labor-intensive and time-consuming. These limitations prevent efficiently capturing continuous changes in trust at more granular timescales throughout the collaboration task. Therefore, this paper presents a new framework for the estimation of human trust using a beta reputation at fine-grained timescales. To achieve granularity in beta reputation, we utilize continuous reward values to update trust estimations at each timestep of a task. We construct a continuous reward function using maximum entropy optimization to eliminate the need for the laborious specification of a performance indicator. The proposed framework improves trust estimations by increasing accuracy, eliminating the need for manually crafting a reward function, and advancing toward developing more intelligent robots. The source code is publicly available. https://github.com/resuldagdanov/robot-learning-human-trust
• Abstract（参考訳）: 相互に相互作用する際、人間は認識された信頼に基づいて行動を調整する。 しかし、同様の適応性を実現するためには、ロボットは人間とロボットの協調作業中に十分な粒度の時間スケールで人間の信頼を正確に見積もる必要がある。 ベータ評価は、人間の信頼を数学的に推定する一般的な方法である。 しかし、これはバイナリパフォーマンスに依存しており、各タスクの終了後にのみ信頼推定を更新する。 さらに、報酬関数を手作業で作成することは、労働集約的で時間を要するパフォーマンス指標を構築する通常の方法である。 これらの制限は、コラボレーションタスク全体を通してより粒度の細かい時間スケールで、信頼の継続的な変化を効率的にキャプチャすることを妨げる。 そこで本稿では,ベータ評価を用いた人的信頼度推定のための枠組みを提案する。 ベータ評価の粒度化を実現するため,タスクの各時点における信頼度推定値の更新に連続的な報酬値を利用する。 本研究では,最大エントロピー最適化を用いた連続報酬関数を構築し,性能指標の厳密な仕様化の必要性を解消する。 提案フレームワークは,信頼性を高め,報酬関数を手作業で作成する必要をなくし,よりインテリジェントなロボットの開発を進めることにより,信頼度の推定を改善する。 ソースコードは公開されている。 https://github.com/resuldagdanov/robot-learning- Human-trust

関連論文リスト

• Do Object Detection Localization Errors Affect Human Performance and Trust? [9.442811508809996]
  境界ボックスはしばしば、自動的な物体検出結果を人間に伝えるために使われる。 本研究では,境界ボックスの局所化誤差とヒューマンタスク性能の関係について検討する。
  論文  参考訳（メタデータ） (2024-01-31T13:24:51Z)
• Real-time Addressee Estimation: Deployment of a Deep-Learning Model on the iCub Robot [52.277579221741746]
  住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。 人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。 本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
  論文  参考訳（メタデータ） (2023-11-09T13:01:21Z)
• Best Practices for 2-Body Pose Forecasting [58.661899246497896]
  我々は、人間のポーズ予測の進捗状況を概観し、最善を尽くす一対一の実践を詳細に評価する。 他の1人のプラクティスは2体に移行しないため、提案されているベストプラクティスは階層的なボディモデリングや注目に基づくインタラクションエンコーディングは含まない。 提案した2体ポーズによるベストプラクティス予測では,最新のExPIデータセットのパフォーマンスが21.9%向上した。
  論文  参考訳（メタデータ） (2023-04-12T10:46:23Z)
• 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)
• Intuitive and Efficient Human-robot Collaboration via Real-time Approximate Bayesian Inference [4.310882094628194]
  コラボレーションロボットとエンドツーエンドAIは、工場や倉庫における人間のタスクの柔軟な自動化を約束する。 人間とコボットは互いに協力します。 これらのコラボレーションが効果的で安全であるためには、ロボットは人間の意図をモデル化し、予測し、活用する必要がある。
  論文  参考訳（メタデータ） (2022-05-17T23:04:44Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• An evaluation of word-level confidence estimation for end-to-end automatic speech recognition [70.61280174637913]
  エンドツーエンド自動音声認識(ASR)における信頼度推定の検討 4つのよく知られた音声データセットにおける信頼度手法の広範なベンチマークを提供する。 以上の結果から,ロジットを学習温度でスケーリングすることで,強いベースラインが得られることが示唆された。
  論文  参考訳（メタデータ） (2021-01-14T09:51:59Z)
• Modeling Trust in Human-Robot Interaction: A Survey [1.4502611532302039]
  ロボット協力者の適切な信頼は、人間とロボットの相互作用のパフォーマンスに影響を与える主要な要因の1つである。 HRIの信頼性校正には、まず信頼をモデル化する必要がある。
  論文  参考訳（メタデータ） (2020-11-09T21:56:34Z)
• How much progress have we made in neural network training? A New Evaluation Protocol for Benchmarking Optimizers [86.36020260204302]
  本稿では、エンドツーエンドの効率とデータ付加訓練の効率を評価するための新しいベンチマークプロトコルを提案する。 評価プロトコルは, ランダム探索よりも, 人間のチューニング行動とよく一致していることを示すために, 人間の実験を行った。 次に,提案したベンチマークフレームワークをコンピュータビジョン,自然言語処理,強化学習,グラフマイニングなどのタスクに適用する。
  論文  参考訳（メタデータ） (2020-10-19T21:46:39Z)
• Human-Robot Team Coordination with Dynamic and Latent Human Task Proficiencies: Scheduling with Learning Curves [0.0]
  ロボットが人間のチームメイトの相対的な強みと学習能力を探索できる新しい資源調整手法を提案する。 我々は、最新の個人労働者の熟練度を発見しながら、頑健なスケジュールを作成し、評価する。 その結果,人間とロボットのコラボレーションには,探索に有利なスケジューリング戦略が有用であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-03T19:44:22Z)

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。