A Deconfounding Framework for Human Behavior Prediction: Enhancing Robotic Systems in Dynamic Environments

要約

人間の行動を正確に予測することは、効果的なヒューマン ロボット インタラクション (HRI) システムにとって、特にリアルタイムの意思決定が不可欠な動的な環境において非常に重要です。
この論文では、人間の動きのさまざまな側面を捉えるウェアラブル センサーからの多変量時系列データを使用して、将来の人間の行動を予測するという課題に取り組みます。
このデータに隠れた交絡因子が存在すると、偏った予測が生じることが多く、従来のモデルの信頼性が制限されます。
これを克服するために、我々は、交絡解離技術と高度な時系列予測手法を統合し、真の因果関係を分離し、予測精度を向上させるモデルの能力を強化する、堅牢な予測モデルを提案します。
現実世界のデータセットでの評価は、私たちのアプローチが従来の方法を大幅に上回り、応答性と適応性のある HRI システムのためのより信頼性の高い基盤を提供することを示しています。

要約(オリジナル)

Accurate prediction of human behavior is crucial for effective human-robot interaction (HRI) systems, especially in dynamic environments where real-time decisions are essential. This paper addresses the challenge of forecasting future human behavior using multivariate time series data from wearable sensors, which capture various aspects of human movement. The presence of hidden confounding factors in this data often leads to biased predictions, limiting the reliability of traditional models. To overcome this, we propose a robust predictive model that integrates deconfounding techniques with advanced time series prediction methods, enhancing the model’s ability to isolate true causal relationships and improve prediction accuracy. Evaluation on real-world datasets demonstrates that our approach significantly outperforms traditional methods, providing a more reliable foundation for responsive and adaptive HRI systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google