論文の概要: Shared Autonomy for Proximal Teaching

• arxiv url: http://arxiv.org/abs/2502.19899v1
• Date: Thu, 27 Feb 2025 09:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:02.581040
• Title: Shared Autonomy for Proximal Teaching
• Title（参考訳）: 近位教育のための共有自律性
• Authors: Megha Srivastava, Reihaneh Iranmanesh, Yuchen Cui, Deepak Gopinath, Emily Sumner, Andrew Silva, Laporsha Dees, Guy Rosman, Dorsa Sadigh,
• Abstract要約: モータースキルの学習は、パーソナライズされた指導を提供する経験豊富な専門家を必要とすることが多い。 Z-COACHは、解釈可能なタスクサブスキルをターゲットにしたパーソナライズされた指導を提供するための共有自律性を利用する方法である。 ユーザスタディでは、Z-COACHが各学生が最初に行うべきスキルの特定に役立ち、運転時間、行動、スムーズさの全体的な改善につながることを示した。
• 参考スコア（独自算出の注目度）: 31.70561682131625
• License:
• Abstract: Motor skill learning often requires experienced professionals who can provide personalized instruction. Unfortunately, the availability of high-quality training can be limited for specialized tasks, such as high performance racing. Several recent works have leveraged AI-assistance to improve instruction of tasks ranging from rehabilitation to surgical robot tele-operation. However, these works often make simplifying assumptions on the student learning process, and fail to model how a teacher's assistance interacts with different individuals' abilities when determining optimal teaching strategies. Inspired by the idea of scaffolding from educational psychology, we leverage shared autonomy, a framework for combining user inputs with robot autonomy, to aid with curriculum design. Our key insight is that the way a student's behavior improves in the presence of assistance from an autonomous agent can highlight which sub-skills might be most ``learnable'' for the student, or within their Zone of Proximal Development. We use this to design Z-COACH, a method for using shared autonomy to provide personalized instruction targeting interpretable task sub-skills. In a user study (n=50), where we teach high performance racing in a simulated environment of the Thunderhill Raceway Park with the CARLA Autonomous Driving simulator, we show that Z-COACH helps identify which skills each student should first practice, leading to an overall improvement in driving time, behavior, and smoothness. Our work shows that increasingly available semi-autonomous capabilities (e.g. in vehicles, robots) can not only assist human users, but also help *teach* them.
• Abstract（参考訳）: モータースキルの学習は、パーソナライズされた指導を提供する経験豊富な専門家を必要とすることが多い。 残念なことに、高品質なトレーニングが利用できるのは、ハイパフォーマンスレースのような特別なタスクに限られる可能性がある。 近年のいくつかの研究は、リハビリテーションから手術ロボット遠隔操作に至るまでのタスクの指導を改善するためにAIアシストを活用している。 しかし、これらの研究はしばしば、生徒の学習過程における仮定を単純化し、最適な指導戦略を決定する際に、教師の援助が異なる個人の能力とどのように相互作用するかをモデル化することができない。 ユーザ入力とロボットの自律性を組み合わせるためのフレームワークである共有自律を利用して,カリキュラム設計を支援する。 我々の重要な洞察は、学生の行動が自律的なエージェントからの援助の存在下で改善される方法が、学生にとって最も「学習可能な」サブスキル、またはその近開発ゾーン内でのどのサブスキルであるかを強調することができるということである。 そこで我々は、Z-COACHを設計する。これは共有自律性を利用して、解釈可能なタスクサブスキルをターゲットとしたパーソナライズされた指導を提供する方法である。 CARLA自動運転シミュレーターを用いてサンダーヒル競馬場のシミュレーション環境でハイパフォーマンスレースを教えるユーザスタディ(n=50)において、Z-COACHは、各学生が最初に行うべきスキルを特定するのに役立ち、運転時間、行動、スムーズさの全体的な改善につながることを示す。 私たちの研究は、車やロボットなど、利用可能な半自律的能力(半自律的能力)が、人間のユーザを支援するだけでなく、それを教えることを助けることを示しています。

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)
• SELFI: Autonomous Self-Improvement with Reinforcement Learning for Social Navigation [54.97931304488993]
  体験と対話し、改善する自己改善ロボットは、ロボットシステムの現実的な展開の鍵となる。 本研究では,オンラインロボット体験を活用したオンライン学習手法であるSELFIを提案する。 本研究では, 衝突回避の観点からの改善と, より社会的に順応する行動について報告する。
  論文  参考訳（メタデータ） (2024-03-01T21:27:03Z)
• 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)
• Coaching a Teachable Student [10.81020059614133]
  本稿では,官能教師の指導から学生エージェントに指導する知識蒸留フレームワークを提案する。 鍵となる洞察は、入力機能を教師の特権的なバードアイビュー(BEV)空間に合わせることを学ぶ学生を設計することである。 難解な感覚運動学習課題を足場として,様々な補助的指導を施した指導機構を用いて,学生モデルを最適化する。
  論文  参考訳（メタデータ） (2023-06-16T17:59:38Z)
• 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)
• Assistive Teaching of Motor Control Tasks to Humans [18.537539158464213]
  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。
  論文  参考訳（メタデータ） (2022-11-25T10:18:29Z)
• ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters [123.88692739360457]
  汎用運動技術により、人間は複雑な作業を行うことができる。 これらのスキルは、新しいタスクを学ぶときの振る舞いを導くための強力な先駆者も提供します。 物理シミュレーション文字のための汎用的で再利用可能なスキル埋め込みを学習するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-04T06:13:28Z)
• 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)
• Interaction-limited Inverse Reinforcement Learning [50.201765937436654]
  本稿では,教師の視点をカバーしたカリキュラム逆強化学習(CIRL)と,学習者の視点に着目した自己適用逆強化学習(SPIRL)の2つの訓練戦略を提案する。 シミュレーション実験と実ロボットを用いた実験により,CIRLの無作為教師やSPIRLのバッチ学習者よりも高速な学習が可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-01T12:31:52Z)

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。