Understanding Robot Minds: Leveraging Machine Teaching for Transparent Human-Robot Collaboration Across Diverse Groups

要約

この研究では、さまざまな学習能力を持つグループに適した機械教示アルゴリズムを開発することで、人間とロボットのコラボレーションにおける透明性と有効性を向上させることを目指しています。
これまでのアプローチは、個人を指導するためのカスタマイズされたアプローチに焦点を当てていましたが、私たちの方法では、グループ内の個別化の課題に対処するために、チームの信念表現を使用して、多様な学習者からなるさまざまな構成のチームを指導します。
私たちは、個人の信念やグループの集団的な信念に焦点を当てるなど、さまざまなグループ指導戦略を調査し、さまざまなチーム構成のロボット学習ポリシーへの影響を評価します。
私たちの調査結果では、個人の信念戦略と比較して、チームの信念戦略の方が学習期間のばらつきが少なく、多様なチームにうまく対応できることが明らかになり、リソースが限られた混合熟練度設定での適切性が示唆されています。
逆に、個人の信念戦略はより均一な知識レベルを提供し、均一な経験の浅いグループには特に効果的です。
私たちの研究は、指導戦略の有効性がチーム構成と学習者の習熟度に大きく影響されることを示しており、学習者の習熟度をリアルタイムで評価し、最適な指導結果を得るために学習者の習熟度に基づいて指導アプローチを適応させることの重要性を強調しています。

要約(オリジナル)

In this work, we aim to improve transparency and efficacy in human-robot collaboration by developing machine teaching algorithms suitable for groups with varied learning capabilities. While previous approaches focused on tailored approaches for teaching individuals, our method teaches teams with various compositions of diverse learners using team belief representations to address personalization challenges within groups. We investigate various group teaching strategies, such as focusing on individual beliefs or the group’s collective beliefs, and assess their impact on learning robot policies for different team compositions. Our findings reveal that team belief strategies yield less variation in learning duration and better accommodate diverse teams compared to individual belief strategies, suggesting their suitability in mixed-proficiency settings with limited resources. Conversely, individual belief strategies provide a more uniform knowledge level, particularly effective for homogeneously inexperienced groups. Our study indicates that the teaching strategy’s efficacy is significantly influenced by team composition and learner proficiency, highlighting the importance of real-time assessment of learner proficiency and adapting teaching approaches based on learner proficiency for optimal teaching outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google