論文の概要: Simulating Human-like Daily Activities with Desire-driven Autonomy

• arxiv url: http://arxiv.org/abs/2412.06435v1
• Date: Mon, 09 Dec 2024 12:21:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:55:34.419584
• Title: Simulating Human-like Daily Activities with Desire-driven Autonomy
• Title（参考訳）: 欲求駆動型自律神経によるヒト様の日常活動のシミュレーション
• Authors: Yiding Wang, Yuxuan Chen, Fangwei Zhong, Long Ma, Yizhou Wang,
• Abstract要約: 既存のタスク指向AIエージェントは明示的な指示や外部報酬に依存しており、人間のような本質的な動機によって駆動される能力を制限する。 本研究では,Large Language Model-based (LLM-based) エージェントを誘導する欲求駆動型自律フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 25.380194192389492
• License:
• Abstract: Existing task-oriented AI agents often depend on explicit instructions or external rewards, limiting their ability to be driven by intrinsic motivations like humans. In this paper, we present a desire-driven autonomy framework to guide a Large Language Model-based (LLM-based) agent to simulate human-like daily activities. In contrast to previous agents, our Desire-driven Autonomous Agent (D2A) operates on the principle of intrinsic desire, allowing it to propose and select tasks that fulfill its motivational framework autonomously. Inspired by the Theory of Needs, the motivational framework incorporates an understanding of human-like desires, such as the need for social interaction, personal fulfillment, and self-care. Utilizing a desire-driven task generation mechanism, the agent evaluates its current state and takes a sequence of activities aligned with its intrinsic motivations. Through simulations, we demonstrate that our Desire-driven Autonomous Agent (D2A) generates coherent, contextually relevant daily activities while exhibiting variability and adaptability similar to human behavior. A comparative analysis with other LLM-based frameworks demonstrates that our approach significantly enhances the rationality of the simulated activities.
• Abstract（参考訳）: 既存のタスク指向AIエージェントは、しばしば明示的な指示や外部報酬に依存し、人間のような本質的な動機によって駆動される能力を制限する。 本稿では,Large Language Model-based (LLM-based) エージェントを誘導する欲求駆動型自律フレームワークを提案する。 従来のエージェントとは対照的に、D2A(Desire-driven Autonomous Agent)は本質的な欲求の原則に基づいて、モチベーションの枠組みを自律的に果たすタスクの提案と選択を可能にします。 欲求理論に触発されたモチベーションの枠組みは、社会的相互作用、個人的満足、セルフケアといった人間の欲求に対する理解を取り入れている。 欲求駆動型タスク生成機構を利用することで、エージェントは現在の状態を評価し、本質的なモチベーションに合わせて一連のアクティビティを実行する。 シミュレーションにより,我々のD2A(Desire-driven Autonomous Agent)は,人間の行動に類似した変動性と適応性を示しながら,コヒーレントで文脈的に関係のある日常活動を生成することを示した。 LLMをベースとした他のフレームワークとの比較分析により,本手法はシミュレートされたアクティビティの合理性を大幅に向上させることが示された。

関連論文リスト

• Rationality based Innate-Values-driven Reinforcement Learning [1.8220718426493654]
  本来の価値はエージェントの本質的なモチベーションを表しており、それはエージェントの本来の関心や目標を追求する好みを反映している。 これはAIエージェントの固有値駆動(IV)行動を記述するための優れたモデルである。 本稿では,階層型強化学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-14T03:28:02Z)
• Position Paper: Agent AI Towards a Holistic Intelligence [53.35971598180146]
  エージェントAI - 大きな基盤モデルをエージェントアクションに統合する具体的システム。 本稿では,エージェント・ファウンデーション・モデル(エージェント・ファウンデーション・モデル)を提案する。
  論文  参考訳（メタデータ） (2024-02-28T16:09:56Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Investigating Agency of LLMs in Human-AI Collaboration Tasks [24.562034082480608]
  我々は社会認知理論に基づいて、エージェントが対話で表現される特徴の枠組みを構築する。 我々は、83人の人間と人間の協力的なインテリアデザインの会話のデータセットを収集する。
  論文  参考訳（メタデータ） (2023-05-22T08:17:14Z)
• Learning Goal-based Movement via Motivational-based Models in Cognitive Mobile Robots [58.720142291102135]
  人間は、強さと文脈に応じて行動を促進する必要がある。 また、各行動の知覚的快楽に関連する嗜好も作り出します。 これにより、意思決定がより複雑になり、コンテキストに応じてニーズと嗜好のバランスを取ることが求められます。
  論文  参考訳（メタデータ） (2023-02-20T04:52:24Z)
• COMMA: Modeling Relationship among Motivations, Emotions and Actions in Language-based Human Activities [12.206523349060179]
  動機、感情、行動は、人間の活動において相互に関係する重要な要素である。 本稿では,言語に基づく人間活動におけるモチベーション,感情,行動のモデル化の可能性について検討する。
  論文  参考訳（メタデータ） (2022-09-14T07:54:20Z)
• Autonomous Open-Ended Learning of Tasks with Non-Stationary Interdependencies [64.0476282000118]
  固有のモチベーションは、目標間のトレーニング時間を適切に割り当てるタスクに依存しないシグナルを生成することが証明されている。 内在的に動機付けられたオープンエンドラーニングの分野におけるほとんどの研究は、目標が互いに独立しているシナリオに焦点を当てているが、相互依存タスクの自律的な獲得を研究するのはごくわずかである。 特に,タスク間の関係に関する情報をアーキテクチャのより高レベルなレベルで組み込むことの重要性を示す。 そして、自律的に取得したシーケンスを格納する新しい学習層を追加することで、前者を拡張する新しいシステムであるH-GRAILを紹介する。
  論文  参考訳（メタデータ） (2022-05-16T10:43:01Z)
• Intrinsic Motivation for Encouraging Synergistic Behavior [55.10275467562764]
  スパース・リワード・シナジスティック・タスクにおける強化学習の探索バイアスとしての本質的モチベーションの役割について検討した。 私たちのキーとなる考え方は、シナジスティックなタスクにおける本質的なモチベーションのための優れた指針は、エージェントが自分自身で行動している場合、達成できない方法で世界に影響を与える行動を取ることである。
  論文  参考訳（メタデータ） (2020-02-12T19:34:51Z)
• Mutual Information-based State-Control for Intrinsically Motivated Reinforcement Learning [102.05692309417047]
  強化学習において、エージェントは、外部報酬信号を用いて一連の目標に到達することを学習する。 自然界では、知的生物は内部の駆動から学習し、外部の信号を必要としない。 目的状態と制御可能な状態の間の相互情報として本質的な目的を定式化する。
  論文  参考訳（メタデータ） (2020-02-05T19:21:20Z)

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。