Distributed Nash Equilibrium Seeking Algorithm in Aggregative Games for Heterogeneous Multi-Robot Systems
University of Liverpool(利物浦大学);The University of Manchester(曼彻斯特大学);University of Southampton(南安普顿大学)
本文针对异构多机器人系统在聚合博弈中的纳什均衡求解问题,提出一种结合分布式优化与输出控制的算法,并通过仿真和实物实验验证其收敛性与有效性。
2025-09-19 cs.RO
Exploring Collaborative Game Play with Robots to Encourage Good Hand Hygiene Practises among Children
Spire Animation Studios(斯皮尔动画工作室);AMMACHI Labs(AMMACHI实验室);Amrita Vishwa Vidyapeetham(阿姆里塔维迪亚佩瑟姆大学)
本文介绍了一种新的协作教育游戏,名为“土地的手”,涉及儿童和定制的社会机器人,我们设计的(HakshE)的设计,实施和评估。通过这个游戏平台,我们的目标是向儿童传授正确的手部卫生知识,并探索在这种环境中亲社会机器人与儿童之间的互动程度。我们将游戏化与计算机作为社会参与者(CASA)范式相结合,将机器人建模为游戏中的社会参与者或同伴。该游戏使用Godot的2D引擎和Alice 3开发。在这项研究中,32名参与者通过视频会议平台Zoom在线玩游戏。为了了解亲社会机器人的轻推对儿童互动的影响,我们将研究分为两种情况:有轻推和无轻推。对儿童互动的详细分析和视频分析表明,我们的平台帮助儿童学习了良好的手部卫生知识。我们还发现,使用亲社会机器人可以在孩子和机器人之间创造愉快的互动和更大的社会参与,尽管学习本身并不受机器人的亲社会性的影响。
2022-06-17 cs.RO
From Gameplay to Policy: Towards Scalable Robot Data Collection via Gamified Robot-Free Interaction
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The University of Hong Kong(香港大学);Tsinghua University(清华大学)
本文提出Project Kitchen游戏化数据采集平台和Game2Policy方法,通过VR游戏获取多样化操作数据并迁移至真实机器人,在少样本下显著提升策略成功率。
2026-09-17 cs.RO
Non Normalized Shared-Constraint Dynamic Games for Human-Robot Collaboration with Asymmetric Responsibility
University of California at Berkeley(加州大学伯克利分校)
本文提出非归一化的共享约束动态博弈框架,用于人机协作导航,通过滚动时域最优控制实现安全约束的不对称责任分配。
2025-12-09 cs.RO
Multi-Robot Task Allocation using Global Games with Negative Feedback: The Colony Maintenance Problem
Old Dominion University(老道明大学)
本文提出一种基于全局博弈的负反馈机制,解决多机器人殖民地维护任务分配问题,避免正反馈导致的级联故障,并通过仿真验证其韧性。
2024-12-17 cs.RO
Game-Theoretic Modeling of Human Adaptation in Human-Robot Collaboration
Carnegie Mellon University(卡内基梅隆大学)
在人类-机器人团队中,人类通常从一个不准确的机器人能力模型开始。当它们与机器人交互时,它们推断机器人的能力并部分适应机器人,即,他们可能会根据观察到的结果和机器人的动作改变自己的动作,而不复制机器人的策略。我们提出了一个博弈论模型的人的部分适应机器人,在那里的人响应机器人的行动,通过最大化的奖励函数,随着时间的推移而改变随机,捕捉他们的期望机器人的能力的演变。然后,机器人可以使用这个模型来最佳地决定采取行动,向人类展示其能力,并在人类当前拥有的信息下采取最佳行动。我们证明了在一定的可观测性假设下,最优策略可以有效地计算。我们通过一个人类受试者的实验表明,该模型显着提高人类机器人团队的性能相比,政策,假设完全适应人类的机器人。
2017-04-06 cs.RO
Learning Visuomotor Policy for Multi-Robot Laser Tag Game
本文提出了一种端到端的视觉运动策略,通过多智能体强化学习训练教师策略并蒸馏知识,以提升多机器人激光对抗游戏中的命中精度和碰撞避免性能。
2026-03-12 cs.RO
Towards an Adaptive Social Game-Playing Robot: An Offline Reinforcement Learning-Based Framework
Department of Mechanical Engineering, University of Louisiana at Lafayette(路易斯安那州立大学拉法叶分校机械工程系)
本文提出了一种基于离线强化学习的自适应社交游戏机器人框架,通过整合多模态情绪识别与自适应响应,提升机器人在游戏场景中对用户情绪的适应能力。
2026-03-02 cs.RO
Anytime Game-Theoretic Planning with Active Reasoning About Humans' Latent States for Human-Centered Robots
UC Berkeley(加州大学伯克利分校);Honda Research Institute(本田研究所)
一个以人为中心的机器人需要推理其人类伙伴的认知局限性和潜在的非理性,以实现无缝交互。本文提出了一种基于博弈论的机器人行为规划方法,该方法集成了迭代推理模型、部分可观测马尔可夫决策过程和机会约束蒙特卡罗信念树搜索。我们的规划器使机器人能够安全和积极地推理其人类伙伴的潜在认知状态(有限的智能和非理性),以更好地最大化其效用。我们在自动驾驶领域验证了我们的方法,在该领域中,我们的行为规划器和低级别运动控制器分层控制自动驾驶汽车来协商交通合并。仿真和用户研究表明,我们的计划的有效性。
2021-09-26 cs.RO
Synthesizing Adversarial Visual Scenarios for Model-Based Robotic Control
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
今天的机器人经常与数据驱动的感知和规划模型以及经典的模型预测控制器(MPC)进行交互。通常,这种学习的感知/规划模型会对分布外(OoD)甚至敌对的视觉输入产生错误的航路点预测,这会增加控制成本。然而,今天的训练鲁棒感知模型的方法在很大程度上是任务不可知的-它们使用随机图像变换或孤立地针对视觉模型的对抗性示例来增强数据集。因此,它们通常引入最终对于控制是良性的像素扰动。与之前为单步视觉任务合成对抗性示例的工作相比,我们的主要贡献是合成针对多步、基于模型的控制的对抗性场景。为此,我们使用可微MPC方法来计算基于模型的控制器对状态估计误差的灵敏度。我们发现,在这些对抗性数据集上重新训练视觉模型,与标准任务无关的数据增强相比,OoD测试场景的控制性能提高了36.2%。我们展示了我们的方法的例子,机器人导航,RoboSuite中的操作,和控制的自主飞行器。
2022-12-02 cs.RO
Robots that Learn to Safely Influence via Prediction-Informed Reach-Avoid Dynamic Games
Robotics Institute at Carnegie Mellon University(卡内基梅隆大学机器人研究所)
提出SLIDE方法,通过预测信息感知的到达-规避动态博弈,使机器人在有安全备份控制时最大化影响力,并在39维人机协作任务中验证其减少保守性且保持高安全率。
2024-09-18 cs.RO
Learning Bipedal Walking on a Quadruped Robot via Adversarial Motion Priors
School of Mechanical Engineering, University of Leeds(利兹大学机械工程学院);Department of Computer Science, University College London(伦敦大学学院计算机科学系)
本文将融合 Adversarial Motion Priors 的师生学习框架迁移到双足模式四足机器人,实现盲走,并在仿真中验证其可稳定通过平地、楼梯及不平坦地形。
2024-07-02 cs.RO
Adversarial joint attacks on legged robots
Chiba University(千叶大学)
我们解决了对抗攻击的执行器在关节的足式机器人训练的深度强化学习。联合攻击的脆弱性会显著影响足式机器人的安全性和鲁棒性。在这项研究中,我们证明了对抗扰动的致动器的扭矩控制信号可以显着减少奖励,并导致机器人行走不稳定。为了找到对抗性扭矩扰动,我们开发了黑盒对抗攻击,其中对手无法访问通过深度强化学习训练的神经网络。无论深度强化学习的架构和算法如何,黑箱攻击都可以应用于足式机器人。我们采用三种搜索方法的黑盒对抗攻击:随机搜索,差分进化,和数值梯度下降方法。在OpenAI Gym环境中对四足机器人Ant-v2和双足机器人Humanoid-v2进行的实验中,我们发现差分进化可以有效地找到三种方法中最强的扭矩扰动。此外,我们意识到,四足机器人Ant-v2是容易受到对抗性扰动,而两足机器人Humanoid-v2是强大的扰动。因此,联合攻击可以用于机器人行走不稳定性的主动诊断。
2022-05-20 cs.AI cs.RO
Adversarial Robots as Creative Collaborators
The New School(新学院);Cornell Tech(康奈尔科技学院)
本研究探讨对抗性机器人能否促使艺术家重新思考初始想法,通过设计机器人绘图桌UnsTable干扰绘画过程,并邀请进一步研究此类挑战性机器人。
2024-02-06 cs.HC cs.RO
Adversarial Body Shape Search for Legged Robots
Chiba University(千叶大学)
提出了一种基于深度强化学习的演化计算方法,用于对腿式机器人零部件长度和厚度进行对抗性攻击。这种攻击改变了机器人的体型,并干扰了行走我们称被攻击的身体为对抗体型。演化计算方法通过最小化通过步行模拟获得的预期累积奖励来搜索对抗体型。为了评估所提出的方法的有效性,我们在OpenAI Gym中使用三条足式机器人、Walker2d、Ant-v2和Humanoid-v2进行实验。实验结果表明,Walker2d和Ant-v2更容易受到长度攻击,而Humanoid-v2更容易受到长度和厚度攻击。我们进一步确定,敌对的身体形状打破左右对称或转移的重心的足式机器人。发现对抗体型可以用于主动诊断足式机器人行走的弱点。
2022-05-20 cs.AI cs.RO
Game-Theoretical Strategy of Robot in the Area with Dynamical Obstacles
Saint-Petersburg State University(圣彼得堡国立大学)
机器人操作的有效性在很大程度上取决于执行任务所需的这种或那种运动的速度。因此,机器人的最优控制问题通常分为两个子问题,分别解决。在一个自主制度的轨迹规划是履行提供机器人的运动时间接近最小。
2018-01-23 cs.RO math.OC
A Robot's Expressive Language Affects Human Strategy and Perceptions in a Competitive Game
Carnegie Mellon University(卡内基梅隆大学)
随着机器人越来越多地被赋予社交和沟通能力,它们将在更多的环境中与人类互动,包括合作和竞争。我们探讨人类与机器人的关系的背景下,竞争激烈的Stackelberg安全游戏。我们改变了人形机器人的表达语言(以“鼓励”或“劝阻”的口头评论的形式),并测量对参与者的理性,策略优先级,情绪和对机器人的看法的影响。我们了解到,一个机器人对手,使令人沮丧的评论导致人类玩游戏不那么理性,并认为机器人更消极。我们还贡献了一个简单的开源自然语言处理框架,用于生成表达性的句子,这是用来生成我们的自主社交机器人的语音。
2019-10-24 cs.HC cs.RO
Proposing a Game Theory Approach to Explore Group Dynamics with Social Robot
Italian Institute of Technology(意大利技术研究院)
研究通过博弈论方法探讨社交机器人促进群体成员合作的可能性,旨在评估机器人在教育和职场中的协作促进作用。
2026-03-30 cs.HC cs.RO
GeoBotsVR: A Robotics Learning Game for Beginners with Hands-on Learning Simulation
Purdue University(普渡大学)
本文提出 GeoBotsVR 虚拟现实游戏,通过机器人搭建、程序化谜题和动手维修机制,帮助无技术基础的初学者沉浸式学习机器人、编程与电子知识。
2024-02-27 cs.HC cs.RO
GameVLM: A Decision-making Framework for Robotic Task Planning Based on Visual Language Models and Zero-sum Games
Academy for Engineering and Technology, Fudan University(复旦大学工程与技术学院)
GameVLM提出一种基于视觉语言模型与零和博弈的多智能体框架,通过决策与专家智能体协作及博弈求解,提升机器人任务规划决策能力,实验平均成功率达83.3%。
2024-05-22 cs.AI cs.RO
Multi-Robot Cooperative Navigation in Crowds: A Game-Theoretic Learning-Based Model Predictive Control Approach
University of Delaware(特拉华大学);Cornell University(康奈尔大学);Honda Research Institute USA, Inc.(美国本田研究院有限公司)
本文提出一种结合局部模型预测控制与社交长短期记忆的框架,通过将多机器人导航和人际交互建模为博弈并采用迭代最佳响应求解,实现拥挤环境下多机器人协同导航。
2023-10-10 cs.MA cs.RO
Biography-based Robot Games for Older Adults
CNR-ISTI(意大利国家研究委员会信息科学与技术研究所)
本文提出利用人形机器人结合老年人个人传记记忆,以多模态方式个性化呈现严肃游戏,从而提升认知训练参与度并降低退出率。
2023-05-31 cs.HC cs.RO
What Makes an Educational Robot Game Fun? Framework Analysis of Children's Design Ideas
Faculty of Engineering, University of Waterloo(滑铁卢大学工程学院);Games Institute, University of Waterloo(滑铁卢大学游戏研究院)
本研究通过框架分析儿童设计理念,识别出28个乐趣元素,为社交机器人教育游戏REMind的设计提供指导,以促进儿童对欺凌的旁观者干预。
2024-11-05 cs.HC cs.RO
Fault-Aware Robust Control via Adversarial Reinforcement Learning
Tsinghua University(清华大学)
与人类和动物相比,机器人在受损情况下的适应能力有限。然而,机器人损坏在现实世界的应用中普遍存在,特别是对于部署在极端环境中的机器人。机器人的脆弱性极大地限制了它们的广泛应用。我们提出了一个对抗性的强化学习框架,它显着提高了机器人的鲁棒性关节损伤的情况下,在操作任务和运动任务。在性能较差的关节损伤情况下,对智能体进行迭代训练。我们验证我们的算法上的三指机器人手和四足机器人。我们的算法只能在模拟中训练,并直接部署在真实机器人上,无需任何微调。它还证明了超过任意关节损伤案件的成功率。
2020-11-30 cs.LG cs.RO
Decentralized and Communication-Free Multi-Robot Navigation through Distributed Games
DEVCOM Army Research Laboratory(DEVCOM 陆军研究实验室);Colorado School of Mines(科罗拉多矿业学院)
有效的多机器人团队需要能够在复杂环境中移动到目标,以解决搜索和救援等现实世界的应用。多机器人团队应该能够以完全分散的方式运行,单个机器人团队成员能够在邻居之间没有显式通信的情况下采取行动。在本文中,我们提出了一种新的博弈论模型,使分散和通信自由导航到一个目标位置。每个机器人都通过估计其本地队友的行为来进行自己的分布式游戏,以便识别将它们推向目标方向的行为,同时避免障碍物并保持团队凝聚力而不会发生碰撞。我们从理论上证明,产生的行动接近一个纳什均衡,这也对应于为每个机器人确定的最佳策略。我们通过大量的模拟表明,我们的方法使分散和通信自由导航的多机器人系统的目标位置,并能够避免障碍物和碰撞,保持连接,并响应传感器噪声鲁棒。
2021-09-15 cs.GT cs.RO
Teach Me What You Want to Play: Learning Variants of Connect Four through Human-Robot Interaction
The Pennsylvania State University(宾夕法尼亚州立大学)
本文研究了如何使用博弈论表示来表示和学习如何玩互动游戏,如连接四。我们结合了学习的演示,主动学习和游戏理论,允许机器人利用其发展中的代表性的游戏进行问答会话与一个人,从而填补其知识的空白。本文演示了一种方法,用于教机器人的游戏连接四个及其变体的获胜条件,使用一个单一的演示和几个试验的例子与问答会议由机器人领导。我们的研究结果表明,机器人可以学习任意的获胜条件的游戏,几乎没有先验知识的获胜条件,然后玩游戏与人类利用学习的获胜条件。我们的实验还表明,一些问题是更重要的学习游戏的获胜条件。我们相信这种方法可以广泛应用于各种互动学习场景。
2021-01-13 cs.AI cs.RO
Multi-Robot Coordination Induced in an Adversarial Graph-Traversal Game
George Mason University(乔治梅森大学)
本文将多机器人在对抗性时变图中的遍历问题建模为随机博弈,通过数值求解纳什均衡策略并给出博弈值界,揭示了蓝方机器人分散与同步等协调行为在降低代价中的优势。
2024-09-27 cs.GT cs.RO
Robotic and Generative Adversarial Attacks in Offline Writer-independent Signature Verification
Nottingham Trent University(诺丁汉特伦特大学)
本研究探讨如何机器人和生成方法可以用来安装成功的虚假接受对抗攻击签名验证系统。最初,探索和调整了卷积神经网络拓扑结构和数据增强策略,为2,640个人类签名的验证产生了87.12%的准确率模型。然后,两个机器人的任务是伪造50个签名,其中25个用于验证攻击,其余25个用于调整模型以抵御它们。对系统的对抗攻击表明存在信息安全风险; Line-us机器人手臂可以在24%的时间内欺骗系统,iDraw 2.0机器人可以在32%的时间内欺骗系统。一个有条件的GAN发现了类似的成功,大约30%的伪造签名被误分类为真实签名。在对机器人和生成数据进行微调迁移学习之后,机器人和GAN都将对抗攻击降低到模型阈值以下。据观察,调整模型可以将机器人攻击的风险降低到8%和12%,当呈现25张图像时,条件生成对抗攻击可以降低到4%,当呈现1000张图像时,可以降低到5%。
2022-04-14 cs.CV cs.LG cs.RO
Game-theoretic Utility Tree for Multi-Robot Cooperative Pursuit Strategy
University of Georgia(佐治亚大学)
多智能体系统(MAS)在危险场景中的潜在关系可以表示为博弈论模型。在对抗性环境中,对手可能是有意或无意的,基于他们的需求和动机。代理人将采取适当的决策策略,以最大限度地提高他们的当前需求和最小化他们的预期成本。本文提出并扩展了新的分层网络模型,称为博弈论效用树(GUT),在追逐-逃避博弈域到达一个合作的追求策略,以赶上逃避者。我们验证和证明所提出的方法使用Robotarium平台的性能相比,传统的恒定轴承(CB)和纯追求(PP)的战略。实验结果表明,该方法能够有效地组织合作策略,帮助优势较少的群体获得更高的绩效。
2022-06-02 cs.MA cs.RO
Detection of Adversarial Attacks in Robotic Perception
Transylvania University of Brașov(布拉索夫特兰西瓦尼亚大学)
研究针对机器人感知中的语义分割任务,提出专用架构和检测策略以提升DNN的鲁棒性,应对对抗攻击带来的安全威胁。
2026-03-31 cs.AI cs.CR cs.CV
Human-Robot Creative Interactions (HRCI): Exploring Creativity in Artificial Agents Using a Story-Telling Game
University of New South Wales(新南威尔士大学);Auckland University of Technology(奥克兰理工大学);Monash University(莫纳什大学);UNSW Canberra(新南威尔士大学堪培拉校区)
本文通过讲故事游戏和2×2实验考察机器人动作对创造能动性归因的影响,改编SSCS并结合Godspeed量表测量,发现动作显著影响生命感、可爱度与感知安全性。
2022-02-08 cs.HC cs.RO
Learning Constrained Distributions of Robot Configurations with Generative Adversarial Network
Idiap Research Institute(伊迪亚普研究所);EPFL(洛桑联邦理工学院)
在高维机器人系统中,有效位形空间的流形往往具有复杂的形状,特别是在末端执行器方向或静态稳定性等约束条件下。我们提出了一个生成对抗网络的方法来学习有效的机器人配置的分布在这样的约束。它可以生成接近约束流形的配置。我们提出了这种方法的两个应用。首先,通过学习相对于期望的末端执行器位置的条件分布,即使对于非常高的自由度(DoF)系统,我们也可以进行快速逆运动学。然后,我们使用它来生成样本的采样为基础的约束运动规划算法,以减少必要的投影步骤,加快计算。我们使用7自由度的熊猫机械手和28自由度的人形机器人Talos的仿真验证的方法。
2021-02-27 cs.LG cs.RO
Chance-constrained Linear Quadratic Gaussian Games for Multi-robot Interaction under Uncertainty
SYCAMORE Lab, École Polytechnique Fédérale de Lausanne (EPFL)(SYCAMORE实验室,瑞士联邦理工学院(EPFL))
本文针对不确定性下的多机器人安全交互,提出机会约束线性二次高斯博弈及其对偶上升求解算法,证明其收敛到反馈广义纳什均衡,并在仿真与真实实验中验证其安全性和较低保守性。
2025-07-18 cs.RO cs.SY eess.SY
Multi-Robot Coordination with Adversarial Perception
University of Maryland(马里兰大学);Stevens Institute of Technology(史蒂文斯理工学院)
本文针对依赖学习感知模块的安全关键型多机器人应用,研究其在对抗感知攻击下的韧性,提出集成VIO和学习感知模型的分析框架,量化系统性能退化并通过实验验证其在资源受限平台的适用性。
2025-04-12 cs.RO cs.SY eess.SY
Training an Interactive Humanoid Robot Using Multimodal Deep Reinforcement Learning
University of Lincoln(林肯大学);University of Toulouse III(图卢兹第三大学)
训练机器人使用多种模式进行感知、行动和通信仍然是一个具有挑战性的问题,特别是如果机器人希望从少量的示例交互中有效学习的话。我们描述了一种学习方法,作为朝着这个方向迈出的一步,我们教一个人形机器人如何玩零和十字架的游戏。考虑到可以训练多种多模态技能来玩这个游戏,我们将注意力集中在训练机器人感知游戏,并在这个游戏中进行交互。我们的多模态深度强化学习代理感知多模态特征,并在玩耍时表现出言语和非言语动作。使用模拟的实验结果表明,机器人可以学习赢得或绘制高达98%的游戏。一个试点测试所提出的多模式系统的目标游戏-整合语音,视觉和手势-报告,合理和流畅的互动,可以实现使用所提出的方法。
2016-11-26 cs.AI cs.LG cs.RO
AdvGrasp: Adversarial Attacks on Robotic Grasping from a Physical Perspective
Department of Automation, University of Science and Technology of China(中国科学技术大学自动化系);SmartMore Corporation(SmartMore公司);Cyberspace Institute of Advanced Technology, Guangzhou University(广州大学网络空间技术研究院);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院)
本文提出AdvGrasp框架,从物理视角通过变形物体形状以增加重力扭矩并减小力旋空间稳定裕度,系统降低机器人抓取的提升能力与稳定性,有效生成对抗性物体并经实验验证了其鲁棒性与实用性。
2025-07-14 cs.CR cs.RO
An Affective Robot Companion for Assisting the Elderly in a Cognitive Game Scenario
University of Hamburg(汉堡大学)
能够识别人类用户的情感被认为是人机交互(HRI)场景中非常理想的特性。然而,大多数当代的方法很少尝试以主动的方式应用已识别的情感特征来调节机器人决策和对话,以使用户受益。在这份立场文件中,我们提出了一种方法,将识别的情绪纳入一个基于强化学习(RL)的对话管理模块,以适应其对话响应,试图使认知训练任务,如2048益智游戏,更愉快的用户。
2018-07-12 cs.AI cs.HC cs.RO
Learning of Robot Safety Policies via Adversarial Synthetic Scenarios
National Research Institute of Automation and Applied Mathematics(国家自动化与应用数学研究所)
提出一个基于对抗性游戏的框架,通过红蓝两队对抗生成危险场景并迭代优化安全策略,以高效发现高风险边缘案例。
2026-06-04 cs.AI cs.RO
A Global Games-Inspired Approach to Multi-Robot Task Allocation for Heterogeneous Teams
Old Dominion University(奥多明尼昂大学)
本文利用全局博弈框架解决异构多机器人任务分配问题,通过设计线性目标函数诱导混合纳什均衡,并给出仅需矩阵求逆的高效求解算法,仿真验证了其有效性。
2025-01-02 cs.MA cs.RO cs.SY
Analysis of Mutual and Referential Human and Robot Gazes in a Collaborative Word Association Game
Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)(慕尼黑工业大学慕尼黑机器人与机器智能研究所 (MIRMI));Centre for Applied Autonomous Sensor Systems (AASS), Örebro University(厄勒布鲁大学应用自主传感器系统中心 (AASS));Robotics Insitute Germany (RIG)(德国机器人研究所 (RIG))
研究在协作式词语联想游戏中机器人注视对人类视觉注意力的影响及人类是否向机器人寻求确认注视,通过与NAO机器人实验,用多种方式分析互动,发现任务语言方面掩盖注视影响,为相关设计提供见解。
2026-07-15 cs.HC cs.RO
Mixed-Reality Robotic Games: Design Guidelines for Effective Entertainment with Consumer Robots
Politecnico di Torino(都灵理工大学)
近年来,人们对在家中使用机器人技术的兴趣越来越大。市场上出现了许多服务机器人,支持客户执行日常任务。与此同时,消费级机器人也开始被用作玩具或游戏伴侣。然而,目前现成的机器人产品提供的游戏可能性通常非常有限,这一事实使它们很快失去了吸引力。一种被证明能够促进机器人游戏和相关设备的方法是创建有趣的体验,其中物理和数字元素使用混合现实技术结合在一起。然而,这些游戏与数字或物理体验有很大的不同,需要新的设计原则来支持开发人员的创造性工作。本文件通过起草一套准则来满足这种需要,这些准则总结了研究界开展的工作及其发现。
2020-07-30 cs.GR cs.HC cs.RO
Distributed Differentiable Dynamic Game for Multi-robot Coordination
George Mason University(乔治梅森大学);Arizona State University(亚利桑那州立大学)
本文提出分布式可微动态博弈(D3G)框架,通过分布式打靶法Nash求解器和微分庞特里亚金最大值原理求解器,高效解决多机器人协调的正向与逆向问题。
2024-09-23 cs.LG cs.MA cs.RO
Play-Testing REMind: Evaluating an Educational Robot-Mediated Role-Play Game
University of Waterloo(滑铁卢大学)
本文评估了REMind,一种旨在帮助儿童应对校园欺凌的教育机器人介导角色扮演游戏,通过混合方法测试发现其提升了自我效能、视角转换和干预策略等学习目标。
2026-03-31 cs.ET cs.HC cs.RO
Committing to Interdependence: Implications from Game Theory for Human-Robot Trust
Georgia Institute of Technology(佐治亚理工学院)
人机交互和博弈论已经发展了不同的信任理论超过三十年,彼此相对孤立。人机交互的重点是信任模型的基本维度、层次、关联和前提,而博弈论则集中在单一信任决策背后的心理和策略。这两个领域都在努力理解过度信任和信任校准,以及如何衡量信任期望、风险和脆弱性。本文介绍了缩小这些领域之间差距的初步步骤。利用相互依赖理论和社会心理学的见解和实验结果,这项工作首先分析了一个大型博弈论竞争数据集,以证明各种各样的人与人之间的信任互动的最强预测因素是我们开发的承诺和信任的相互依赖衍生变量。然后,它提出了第二个研究与人类受试者的结果更现实的信任情况下,涉及人与人和人机信任。在这两个竞争数据和我们的实验数据,我们表明,相互依存的指标更好地捕捉社会的“过度信任”比理性或规范的心理推理,提出了博弈论。这项工作进一步探讨了相互依赖理论-其重点是承诺,胁迫和合作-解决了人类-机器人信任中提出的许多潜在结构和前提,为机器人在信任交互中取代人类时出现的关键相似性和差异提供了新的见解。
2021-11-12 cs.GT cs.HC cs.RO
A Data-Efficient Deep Learning Approach for Deployable Multimodal Social Robots
University of Lincoln(林肯大学)
深度监督和强化学习范式(以及其他)有可能赋予交互式多模态社交机器人自主获取技能的能力。但目前还不清楚如何将它们最好地部署在现实世界的应用程序中。作为朝着这个方向迈出的一步,我们提出了一种基于深度学习的方法,用于有效地训练人形机器人玩多模态游戏-并使用具有两个变体的“Noughts & Crosses”游戏作为案例研究。它学习感知和交互的最低要求是基于几百个示例图像,一些示例多模态对话和机器人操作的物理演示以及自动模拟。此外,我们提出了新的算法,强大的视觉游戏跟踪和竞争策略学习与高胜率,大大优于基于DQN的基线。虽然自动评估表明,所提出的方法可以很容易地扩展到具有竞争性机器人行为的新游戏,但130名人类与Pepper机器人一起玩的人类评估证实,成功玩游戏需要高度准确的视觉感知。
2019-08-27 cs.AI cs.LG cs.RO
Scene recognition based on DNN and game theory with its applications in human-robot interaction
College of Mechanical and Electrical Engineering, Beijing University of Chemical Technology(北京化工大学机电工程学院);Peking University(北京大学)
提出了一种基于动态神经网络和博弈论的场景识别模型及其在人机交互中的应用。深度学习方法在场景识别领域的运用还处于起步阶段,但已经成为未来的重要趋势。作为本文的创新点,我们提出了以下创新点。(1)本文将图像配准问题转化为马尔可夫随机场中的最小能量问题来完成图像预处理任务。博弈论是用来寻找最优解的。(2)我们选择相邻的同质样本特征和相邻的异质样本特征作为提取的样本特征,构建一个三元组,并修改传统的神经网络,提出了新的DNN的场景理解。(3)机器人控制很好地结合起来,引导机器人视觉多个任务。然后进行实验,以验证整体性能。
2020-01-10 cs.CV cs.LG cs.RO
From Video Game to Real Robot: The Transfer between Action Spaces
Karelics Oy(卡雷利茨公司);School of Computing, University of Eastern Finland(东芬兰大学计算机学院);School of Electrical Engineering, Aalto University(阿尔托大学电气工程学院)
深度强化学习已被证明在模拟环境中的学习任务是成功的,但将相同的技术应用于现实世界领域的机器人更具挑战性,因为它们需要数小时的训练。为了解决这个问题,迁移学习可以被用来训练的政策,首先在一个模拟的环境中,然后将其转移到物理代理。由于模拟永远不会完美地匹配现实,因此这些环境之间的物理,视觉和动作空间必然会在一定程度上有所不同。在这项工作中,我们研究如何一般的视频游戏可以直接使用,而不是微调模拟的仿真到现实迁移。特别是,我们研究了如何智能体可以学习新的动作空间自主,当游戏动作不匹配的机器人动作。我们的研究结果表明,不同的动作空间可以通过重新训练只有部分的神经网络,我们获得了90%以上的平均成功率在仿真和机器人实验。
2020-03-23 cs.AI cs.LG cs.RO
Using Markov Decision Process to Model Deception for Robotic and Interactive Game Applications
The Pennsylvania State University(宾夕法尼亚州立大学);Penn State Harrisburg(宾州州立大学哈里斯堡分校)
本文研究欺骗的背景下,使用模拟移动机器人的运动。我们分析了一些以前设计的欺骗性策略的移动机器人模拟器。然后,我们提出了一种新的方法,自适应地选择面向目标的欺骗性轨迹欺骗人类的多次互动。此外,我们提出了一个新的度量来评估欺骗的数据收集时,从用户与移动机器人模拟器进行交互。我们进行了一个用户研究,以测试我们提出的自适应欺骗算法,这表明,我们的算法欺骗人类,甚至多次互动,它是更有效的欺骗策略比随机选择。
2020-12-22 cs.HC cs.MA cs.RO
Is Deep Learning Safe for Robot Vision? Adversarial Examples against the iCub Humanoid
University of Cagliari(卡利亚里大学);Pluribus One(Pluribus One 公司);University of Manchester(曼彻斯特大学)
深度神经网络近年来被广泛采用,在多个应用领域表现出令人印象深刻的性能。然而,已经表明,他们可以被对抗性的例子所愚弄,即,图像被一种几乎不可感知的对抗性噪音改变,精心制作以误导分类。在这项工作中,我们的目标是评估体现深度学习算法的机器人视觉系统在多大程度上容易受到对抗性示例的影响,并提出一种基于拒绝异常输入分类的计算有效对策来减轻这种威胁。然后,我们通过直观的实证分析对深度网络的安全属性提供了更清晰的理解,表明此类网络学习的映射本质上违反了学习算法的平滑性假设。最后,我们讨论了这项工作的主要局限性,包括创建真实世界的对抗性示例,并勾勒出有前途的研究方向。
2017-08-23 cs.LG cs.RO stat.ML
The Impact of Humanoid Affect Expression on Human Behavior in a Game-Theoretic Setting
Carnegie Mellon University(卡内基梅隆大学)
随着机器人等智能体和自主智能体的迅速发展,机器人表达的情绪如何影响人的决策成为人机交互中的一个关键问题。在这项初步研究中,我们调查(1)机器人可以表达某种情绪,以影响人类的决策行为模型;(2)如何以及在何种程度上,人类将在博弈论设置的影响。更具体地说,我们创建了一个NLP模型来生成符合特定情感表达特征的句子。我们用这些句子来描述一个人形机器人,因为它和一个人类玩斯塔克伯格安全游戏。我们研究了人类玩家的行为模型。
2018-06-10 cs.AI cs.HC cs.RO
Are AlphaZero-like Agents Robust to Adversarial Perturbations?
UCLA(加州大学洛杉矶分校);CMU(卡内基梅隆大学);Academia Sinica(中央研究院);NYCU(阳明交通大学)
AlphaZero(AZ)的成功证明,基于神经网络的围棋人工智能可以大大超过人类的表现。考虑到围棋的状态空间非常大,人类玩家可以从任何合法的状态下进行游戏,我们要问的是,围棋人工智能是否存在可能导致它们做出令人惊讶的错误行为的对抗状态。在本文中,我们首先将对抗性示例的概念扩展到围棋游戏:我们通过向游戏中添加无意义的移动来生成与原始状态“语义上”等效的扰动状态,并且对抗性状态是一种扰动状态,导致即使对于围棋初学者来说也明显的毫无疑问的低劣动作。然而,由于大的、离散的和不可微的搜索空间,搜索对抗状态是具有挑战性的。为了应对这一挑战,我们开发了第一个对Go AI的对抗攻击,它可以通过战略性地减少搜索空间来有效地搜索对抗状态。这种方法也可以扩展到其他棋盘游戏,如NoGo。在实验中,我们表明,政策值神经网络(PV-NN)和蒙特卡罗树搜索(MCTS)所采取的行动可以被误导,通过添加一个或两个无意义的石头;例如,在58%的AlphaGo Zero自玩游戏,我们的方法可以使广泛使用的KataGo代理与50模拟MCTS发挥一个失败的行动,通过添加两个无意义的石头。我们还评估了我们的算法与业余人类围棋选手的对抗性例子,90%的例子确实导致围棋智能体做出明显低劣的动作。我们的代码可在\url{https://PaperCode.cc/GoAttack}上获得。
2022-11-07 cs.AI cs.LG cs.RO
An Adversarial Approach to Private Flocking in Mobile Robot Teams
University of Cambridge(剑桥大学);Polytechnique Montréal(蒙特利尔综合理工学院)
隐私是防御对手的一个重要方面。在这封信中,我们介绍了私人羊群的问题。我们考虑一队移动机器人群集在一个对手的存在,谁是能够观察所有机器人的轨迹,谁是有兴趣确定领导者。我们提出了一种方法,产生私人群集控制器,隐藏的领导者机器人的身份。我们的隐私方法利用了数据驱动的对抗性协同优化方案。我们设计了一种机制,优化群集控制参数,使领导推理受阻。随着群集性能的提高,我们连续训练一个对抗机器人,试图推断领导机器人的身份。为了评估我们的协同优化方案的性能,我们研究了不同类别的参考轨迹。虽然可以合理地假设群集性能和隐私之间存在固有的权衡,但我们的研究结果表明,我们能够实现高群集性能,同时降低暴露领导者的风险。
2020-01-24 cs.LG cs.MA cs.NE
Kidnapping Deep Learning-based Multirotors using Optimized Flying Adversarial Patches
CASUS, Helmholtz-Zentrum Dresden-Rossendorf(德累斯顿-罗森多夫亥姆霍兹中心先进系统理解中心);Technical University Berlin(柏林工业大学);Leibniz Institute for Agricultural Engineering and Bioeconomy(莱布尼茨农业工程与生物经济研究所);University of Potsdam(波茨坦大学)
本文提出飞行对抗补丁方法,通过在攻击者无人机上安装对抗图像并优化补丁及其位置,成功劫持基于深度学习的多旋翼无人机,扩展为对抗性多机器人系统。
2023-10-23 cs.AI cs.CR cs.RO
Dynamic collision avoidance for multiple robotic manipulators based on a non-cooperative multi-agent game
Technische Universität Kaiserslautern(凯泽斯劳滕工业大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
提出基于非线性MPC的非合作博弈算法,解决多机械臂在共享工作空间的动静态避碰与死锁问题,实现实时控制并支持任意规模扩展。
2022-02-13 cs.RO cs.SY eess.SY