AToM: Adaptive Theory-of-Mind-Based Human Motion Prediction in Long-Term Human-Robot Interactions

要約

人間は観察と経験から学び、行動をより良いパフォーマンスに向けて調整します。
ロボットは安全で効率的な操作のために人間を正確に予測する必要があるため、このような動的な人間とのやり取りは挑戦的です。
動的な人間との長期的な相互作用は、以前の作品によって広範囲に研究されていません。
私たちは、人間が他人の行動と意図を推測できるようにする基本的な社会的認知能力である、精神理論（TOM）に基づいた適応的な人間の予測モデルを提案します。
ナビゲーションシナリオですべてのエージェントの将来の動きを予測するゲーム理論モデルを使用して、他の人についての人間の内部信念を定式化します。
進化する信念を推定するために、無香料のKalmanフィルターを使用して、人間の内部モデルの行動パラメーターを更新します。
私たちの定式化は、人間がロボットをどのように予測するかを推測することにより、動的な人間の行動に対する独自の解釈可能性を提供します。
私たちは、シミュレーションと現実世界の両方の設定での長期実験を通じて、予測が下流のロボット計画の安全性と効率を効果的に促進することを実証します。
コードはhttps://github.com/centilinda/atom-human-prediction.gitで入手できます。

要約(オリジナル)

Humans learn from observations and experiences to adjust their behaviours towards better performance. Interacting with such dynamic humans is challenging, as the robot needs to predict the humans accurately for safe and efficient operations. Long-term interactions with dynamic humans have not been extensively studied by prior works. We propose an adaptive human prediction model based on the Theory-of-Mind (ToM), a fundamental social-cognitive ability that enables humans to infer others’ behaviours and intentions. We formulate the human internal belief about others using a game-theoretic model, which predicts the future motions of all agents in a navigation scenario. To estimate an evolving belief, we use an Unscented Kalman Filter to update the behavioural parameters in the human internal model. Our formulation provides unique interpretability to dynamic human behaviours by inferring how the human predicts the robot. We demonstrate through long-term experiments in both simulations and real-world settings that our prediction effectively promotes safety and efficiency in downstream robot planning. Code will be available at https://github.com/centiLinda/AToM-human-prediction.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google