每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

IG-MCTS：不完全信息下的人机协同导航

Created by
  • Haebom

作者

陈胜辉、赵瑞涵、Sandeep Chinchali、Ufuk Topcu

大纲

为了应对信息不完整条件下人机协作导航的挑战，本文提出了 CoNav-Maze 模拟环境。在该环境中，机器人的可见性有限，人类操作员基于不准确的地图提供导航。为了促进高效协作，我们提出了信息增益蒙特卡洛树搜索 (IG-MCTS)，这是一种在线规划算法，可联合优化自主移动和信息传输。利用基于众包地图数据训练的神经人类感知模型 (NHPM)，IG-MCTS 可以预测当新的观察结果被分享时，人类的内部地图将如何演变。用户研究表明，IG-MCTS 显著降低了沟通要求，基于眼动追踪指标表现出较低的认知负荷，并且保持了与远程操作和引导跟随基线相当的任务性能。此外，我们通过使用连续空间导航设置展示了超越离散迷宫的泛化能力，其中 NHPM 受益于深度编码器-解码器架构，而 IG-MCTS 利用动态构建的 Voronoi 可分性图。

Takeaways, Limitations

•
Takeaways：
◦
使用 IG-MCTS 的人机协作导航系统的提案。
◦
通过 NHPM 对人类认知过程进行建模，提高信息共享效率。
◦
经证实可减少通信量和认知负荷。
◦
离散迷宫和连续空间环境中广义性能的验证。
•
Limitations：
◦
CoNav-Maze 是一个模拟环境，需要在真实环境中进行验证。
◦
NHPM 的准确性取决于训练数据的质量。
◦
由于计算复杂性而导致的实时限制。
◦
需要进一步研究来了解这种方法对不同类型的人类行为和策略的普遍性。
👍
Made with Slashpage