BriefGPT - AI 论文速递
·
MoVEInt: 从示范中学习人机交互的变分专家混合模型
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种利用隐马尔可夫模型和变分自编码器建模人机互动的方法。通过学习互动动力学和人类观测结果，预测机器人轨迹并实现柔顺的互动。实验证明该方法在人形机器人上有效，并具有泛化性能和优势。
🎯
关键要点
- 本文介绍了一种从人与人互动学习到人机互动的方法。
- 使用隐马尔可夫模型作为潜在空间先验，结合变分自编码器建模互动代理之间的联合分布。
- 通过学习人与人互动的互动动力学来预测更准确的机器人轨迹。
- 利用人类观测结果作为训练基础，调整生成的机器人动作以确保与人之间的期望物理接近性。
- 结合关节空间学习的便利性和准确的任务空间可达性。
- 在富含接触的互动中，通过 HMM 分割调节机器人的刚度以实现柔顺的互动。
- 用户评测验证了该方法在一个人形机器人上的有效性。
- 尽管仅通过两个人的数据进行训练，该方法在不同人类之间表现出良好的泛化性能。
- 实验结果表明，用户认为该方法更具人性化、及时性和准确性，且优于其他基准方法。
➡️
