Hierarchical Intention Tracking with Switching Trees for Real-Time Adaptation to Dynamic Human Intentions during Collaboration
Department of Electrical and Computer Engineering at the University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系)
本研究提出分层意图跟踪(HIT)算法,以任意深度意图树表示人类意图,通过贝叶斯滤波等实现多层动态意图实时跟踪,并开发可切换任务树的协作机器人系统,在装配任务中兼顾效率、舒适度与安全,提升用户信任。
2025-06-17 cs.RO
Vision- and tactile-based continuous multimodal intention and attention recognition for safer physical human-robot interaction
本文提出结合简单触觉传感器与机器人摄像头进行姿态和注视分析,实现连续多模态意图与注意力识别,在Baxter上以86%的F1分数区分有意接触与意外碰撞,并通过特征降维提升泛化能力与安全性。
2023-04-19 cs.RO
Int2Planner: An Intention-based Multi-modal Motion Planner for Integrated Prediction and Planning
COWAROBOT Co. Ltd.(酷哇机器人有限公司);School of Electronic Engineering, University of South China(南华大学电子工程学院)
Int2Planner提出基于路线意图点的集成预测与规划方法,实现多模态规划,在私有数据和nuPlan基准上达到最先进性能,并已实车验证数百公里。
2025-01-22 cs.RO
Hierarchical Intention-Aware Expressive Motion Generation for Humanoid Robots
Department of Computer Science, University College London(计算机科学系,伦敦大学学院)
针对人机交互中意图识别与实时表达性运动生成问题,提出融合ICL意图推理和扩散模型的分层框架,并通过物理平台验证其鲁棒性与社交一致性。
2025-09-27 cs.RO
Timely Negotiation and Correction of Shared Intentions With Body Motion
TU Berlin(柏林工业大学)
目前的机器人架构建模的互动行为不太适合的双重任务,顺序离散的行动和即时纳入信息。此外,对于基于身体运动的通信,动作也可以作为协商交互替代方案的线索,并使及时的干预成为可能。本文提出了一种基于稳定的异宿通道网络的动力系统,它提供了丰富的参数集,以不间断地调制运动,同时保持一个紧凑的状态图抽象适合推理,规划和推理。
2019-01-16 cs.RO
Action Anticipation: Reading the Intentions of Humans and Robots
Institute for Systems and Robotics(系统与机器人研究所);Instituto Superior Técnico(高等技术学院);Universidade de Lisboa(里斯本大学);Faculty of Technical Sciences(技术科学学院);University of Novi Sad(诺维萨德大学);University of Edinburgh(爱丁堡大学);School of Engineering(工程学院);EPFL(洛桑联邦理工学院)
人类具有处理非语言视觉线索的迷人能力,可以理解和预测其他人的行为。这种“意图解读”能力是由共同的运动指令和动作模型支撑的,我们用它们来解释别人的意图,就好像他们是我们自己的一样。我们研究不同的线索如何有助于在人际交往中的人类行为的易读性。我们的第一个贡献是一个公开的数据集,记录人体运动和眼睛凝视,在一个实验场景中获得的演员与三个主题的互动。根据这些数据,我们进行了一项人类研究,以分析不同的非语言线索对动作感知的重要性。作为我们的第二个贡献,我们使用的运动/凝视记录建立一个计算模型描述两个人之间的互动。作为第三个贡献,我们将此模型嵌入到iCub人形机器人的控制器中,并在相同的场景中以机器人作为演员进行了第二次人类研究,以验证模型的“意图读取”能力。我们的研究结果表明,这是可能的模型(非语言)的信号交换的人类在互动过程中,以及如何将这样的机制在机器人系统中的双重目标:(i)能够“阅读”人类的行动意图,和(ii)采取行动的方式,是清晰的人类。
2018-08-10 cs.RO
Learning Long Short-Term Intention within Human Daily Behaviors
Beijing Institute for General Artificial Intelligence (BIGAI)(北京通用人工智能研究院);Peking University(北京大学);University of Electronic Science and Technology of China(电子科技大学);Beijing Institute of Technology(北京理工大学);Tsinghua University(清华大学)
本文提出长短期意图预测任务及相应意图模型和两阶段方法,使家用机器人能同时预测人类长期价值观意图与短期行动意图,并检测二者不一致性以提供警告和建议。
2025-04-10 cs.AI cs.RO
A Unified Interaction Control Framework for Safe Robotic Ultrasound Scanning with Human-Intention-Aware Compliance
Tsinghua University(清华大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院);Midea Corporate Research Center(美的集团企业研究中心);Midea Group(美的集团)
针对现有超声扫描机器人控制方法仅处理单一交互场景或硬切换控制器的问题,提出统一交互控制框架,区分意图与非意图交互并自适应柔顺控制,实验验证其在协作颈动脉扫描中应对各类交互的能力。
2024-11-29 cs.RO
Autonomous Driving: Framework for Pedestrian Intention Estimationin a Real World Scenario
Johannes Kepler University Linz(约翰开普勒林茨大学);Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Ural Federal University(乌拉尔联邦大学)
驾驶辅助技术的快速发展将导致完全自动驾驶汽车在我们的道路上与其他道路使用者互动。为了解决无人驾驶车辆无法通过目光接触进行交互的问题,我们描述了一个用于估计行人过街意图的框架,以减少道路使用者之间缺乏目光接触所产生的不确定性。该框架被部署在一个真正的车辆和测试与三个实验案例,显示了各种通信信息的行人在共享空间的情况下。现场试验结果表明了该方法的可行性。
2021-02-22 cs.RO
Model-Based Testing, Using Belief-Desire-Intentions Agents, of Control Code for Robots in Collaborative Human-Robot Interactions
University of Bristol(布里斯托大学);University of the West of England(西英格兰大学)
机器人助手的软件需要进行验证,以确保其安全性和功能正确性。模拟测试允许验证中的高度真实性。然而,在执行大部分代码的同时,生成涵盖人机交互(HRI)任务中有趣的预见和不可预见场景的测试仍然是一个挑战。我们建议使用的信念,愿望,意图(BDI)代理在测试环境中,以增加模拟机器人的现实主义和人性化的刺激水平。人工智能,如代理理论,可以用于更智能的测试生成。在机器人操作系统(ROS)和Gazebo中实现了一个自动化测试平台,用于模拟人形机器人和人之间的协同工作台装配任务。验证了此任务的需求,并发现了一些意外的设计问题,从而可能导致代码改进。我们的研究结果突出了BDI代理的实用性,自动生成有效的和人性化的测试,以获得高的代码覆盖率,相比手写的定向测试,伪随机生成,和其他变体的基于模型的测试生成。此外,BDI代理允许覆盖HRI系统的组合行为,比编写用于模型检验的时序逻辑属性更容易。
2016-03-02 cs.RO
IntentionVLA: Generalizable and Efficient Embodied Intention Reasoning for Human-Robot Interaction
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Nanjing University(南京大学);University of Science and Technology of China(中国科学技术大学);Dexmal
针对现有VLA模型缺乏隐式意图推理能力的问题,提出IntentionVLA框架,通过课程训练和紧凑推理输出指导动作生成,在意图指令和分布外任务上显著提升成功率,并支持零样本人机交互。
2025-10-09 cs.AI cs.CV cs.RO
Intention-based and Risk-Aware Trajectory Prediction for Autonomous Driving in Complex Traffic Scenarios
Southern University of Science and Technology(南方科技大学);Jiaxing Research Institute, Southern University of Science and Technology(南方科技大学嘉兴研究院)
针对自动驾驶轨迹预测中认知不确定性与缺乏风险意识的问题,提出融合交互、意图与风险评估模块的轨迹预测模型,在DeepAccident数据集上显著优于现有算法。
2024-09-24 cs.RO
HAIR: Head-mounted AR Intention Recognition
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
人类团队表现出隐式和显式的意图共享。为了进一步发展人机协作,意图识别是至关重要的。目前的方法依赖于一个巨大的传感器套件和周围的机器人来实现意图识别。这使得直观的人机协作纯粹依赖于这种庞大的系统,由于其复杂性和成本,这些系统不适合大规模的真实世界场景。在本文中,我们提出了一个意图识别系统,这是纯粹基于一个便携式盔装显示器。此外,还支持机器人意图可视化。我们提出的实验,以显示我们的人类目标估计组件的质量和一些基本的互动与工业机器人。HAIR应该提高机器人和人类之间的互动质量,而不是让人类同事脖子上的头发竖起。
2021-02-22 cs.HC cs.RO
Natural grasp intention recognition based on gaze fixation in human-robot interaction
Huazhong University of Science and Technology(华中科技大学);Nagoya University(名古屋大学)
眼动与肢体动作密切相关,因此可以用来推断动作意图。更重要的是,在某些情况下,眼球运动是瘫痪和有严重运动障碍的患者与环境沟通和互动的唯一途径。尽管如此,眼动追踪技术作为一种意图识别方法的应用场景仍然非常有限。本文的目标是实现一种基于自然注视的抓取意图识别方法,使手部运动障碍的用户能够通过直接注视感兴趣的物体来直观地表达他/她想要做什么任务。为此,我们设计了实验来研究不同任务中注视的关系。我们从这些关系中提出了一些定量特征,并对其进行了统计分析。然后设计了一种自然的抓取意图识别方法。实验结果表明,该方法对训练对象的抓取意图识别准确率超过89%.将该方法推广应用于训练集以外的对象,平均准确率超过85%。实际环境下的抓取实验验证了该方法的有效性。
2020-12-16 cs.HC cs.RO
Legibot: Generating Legible Motions for Service Robots Using Cost-Based Local Planners
Sorbonne University(索邦大学);CNRS(法国国家科学研究中心);Institut des Systemes Intelligents et de Robotique(智能与机器人系统研究所)
针对社交机器人需清晰传达意图的问题,提出将易读性融入基于代价的局部运动规划,并给出集成感知与定位的部署技术栈。
2024-04-07 cs.RO
Hierarchical Intention Tracking for Robust Human-Robot Collaboration in Industrial Assembly Tasks
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Pennsylvania State University(宾夕法尼亚州立大学);Michigan Technological University(密歇根理工大学)
本文提出层级意图追踪方法,使协作机器人同时估计高层交互模式与低层任务信息,并在UR5e上验证了工业装配中稳健、无缝且符合人体工程学的人机协作。
2023-08-06 cs.RO
Multimodal Uncertainty Reduction for Intention Recognition in Human-Robot Interaction
TU Darmstadt(达姆施塔特工业大学);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);Goethe University(歌德大学)
辅助机器人可以通过支持日常生活活动来提高老年人的生活质量和个人独立性。为了保证人与机器人之间安全直观的交互,需要自动识别人类意图。由于人类多模态地传达他们的意图,使用多个模态进行意图识别不仅可以增加对单个模态失败的鲁棒性,而且特别地减少了关于要预测的意图的不确定性。这是可取的,特别是在机器人和潜在的脆弱的人类之间的直接交互的情况下,最小的不确定性,以及关于这种实际的不确定性的知识是必要的。因此,在现有的方法相比,在这项工作中,多模态意图识别的新方法,重点是通过分类器融合的不确定性降低。对于四个考虑的模态语音,手势,注视方向和场景对象的个人意图分类器进行训练,所有这些输出的概率分布在所有可能的意图。通过使用贝叶斯方法独立意见池组合这些输出分布,可以减少关于要识别的意图的不确定性。该方法在一个7自由度的机器人手臂的协作人机交互任务进行评估。结果表明,融合分类器,结合多种形式优于各自的基础分类器,提高精度,鲁棒性,减少不确定性。
2019-07-04 cs.HC cs.LG cs.RO
Learning Multimodal Confidence for Intention Recognition in Human-Robot Interaction
Southeast University(东南大学)
针对人机协作中多模态融合意图识别的不确定性问题,提出结合贝叶斯融合与批量置信度学习的BMCLOP框架,在六自由度机器人实验中性能优于基线方法。
2024-05-23 cs.HC cs.LG cs.RO
Towards Dialogue-based Navigation with Multivariate Adaptation driven by Intention and Politeness for Social Robots
University of Hamburg(汉堡大学);SoftBank Robotics Europe(软银机器人欧洲公司)
服务机器人需要表现出适当的社会行为,以便部署在医疗保健,教育,零售等社会环境中,机器人应该具有的一些主要功能是导航和会话技能。如果这个人不耐烦,他可能希望机器人导航得更快,反之亦然。表明礼貌的语言特征可以提供有关一个人的耐心和不耐烦行为的社会线索。本文提出的新颖之处是动态地将礼貌的机器人对话系统导航。理解用户言语中的礼貌可以用来调节机器人的行为和反应。因此,我们开发了一个对话系统,在室内环境中导航,产生不同的机器人的行为和反应的基础上用户的意图和礼貌程度。我们部署和测试我们的系统与胡椒机器人,适应用户的礼貌的变化。
2018-11-14 cs.AI cs.CL cs.RO
Anticipating Human Behavior for Safe Navigation and Efficient Collaborative Manipulation with Mobile Service Robots
University of Bonn(波恩大学)
本文利用智能边缘传感器网络预测人类行为,提出轨迹投影和意图预测方法,实现移动服务机器人的安全导航与高效协作操作。
2025-09-15 cs.RO
INTENTION: Inferring Tendencies of Humanoid Robot Motion Through Interactive Intuition and Grounded VLM
针对传统机器人控制依赖精确模型、难以泛化的问题,提出INTENTION框架,结合VLM场景推理与交互记忆,使机器人能凭直觉在新场景中自主操作。
2025-08-06 cs.AI cs.RO
IMPACT: Behavioral Intention-aware Multimodal Trajectory Prediction with Adaptive Context Trimming
National University of Singapore(新加坡国立大学);Xiaomi EV(小米电动车)
IMPACT提出了一种基于适应性上下文修剪的多模态轨迹预测框架,通过联合预测行为意图和轨迹,提升预测精度、可解释性和效率,并在Waymo数据集上取得优异成绩。
2026-02-18 cs.RO
I-Planner: Intention-Aware Motion Planning Using Learning Based Human Motion Prediction
UNC Chapel Hill(北卡罗来纳大学教堂山分校)
我们提出了一个运动规划算法来计算无碰撞和平滑的轨迹,高自由度机器人与人类在一个共享的工作空间。我们的方法使用离线学习的人类行为以及时间的连贯性来预测人类的行动。我们的意图感知在线规划算法使用学习的数据库来计算基于预测动作的可靠轨迹。我们表示预测的人体运动使用高斯分布和计算安全的运动规划碰撞概率的严格上限。我们还描述了新的技术,以占人体运动预测中的噪声。我们强调了我们的规划算法在复杂的模拟场景和现实世界的基准与7自由度机器人手臂在一个工作空间与人类执行复杂的任务。我们证明了我们的意图感知规划的好处,在这种不确定的环境中计算安全的轨迹。
2017-11-27 cs.RO
ParkDiffusion++: Ego Intention Conditioned Joint Multi-Agent Trajectory Prediction for Automated Parking using Diffusion Models
Department of Computer Science, University of Freiburg(弗赖堡大学计算机科学系);CARIAD SE
ParkDiffusion++通过联合学习多智能体轨迹预测与自我意图预测,实现自动化停车中的高效假设决策与安全预测。
2026-02-24 cs.RO
Underwater Intention Recognition using Head Motion and Throat Vibration for Supernumerary Robotic Assistance
Southern University of Science and Technology(南方科技大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出可穿戴式头部运动与喉部振动多模态检测方案,结合机器学习识别潜水员意图并转换为水下额外机械肢控制指令。
2023-08-16 cs.HC cs.RO
Intention Aware Robot Crowd Navigation with Attention-Based Interaction Graph
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Pennsylvania State University(宾夕法尼亚州立大学)
针对密集交互人群中的安全导航问题,提出融合注意力循环图神经网络与未来轨迹意图预测的无模型RL方法,并实现从仿真到真实TurtleBot 2i的策略迁移。
2023-04-24 cs.AI cs.LG cs.RO
Cognitive and motor compliance in intentional human-robot interaction
Okinawa Institute of Science and Technology(冲绳科学技术大学院大学)
人-机器人交互中的主体性和主观体验是研究自然认知和自适应机器人对人类环境的适应性时需要考虑的重要方面。虽然一些研究集中在非语言交流和合作,自主物理互动的研究得到较少的关注。从神经机器人的角度,我们探讨了意向性,运动顺应性,认知顺应性和行为涌现之间的关系。我们提出了一个变分模型的预测编码和主动推理的原则,研究意向性和认知的遵守,和间歇控制的概念,电机审议和遵守的基础上扭矩反馈的启发。我们的实验与人形Torobo肖像有趣的角度为生物启发的研究发展和社会过程。
2020-06-30 cs.HC cs.NE cs.RO
Socially-Aware Autonomous Driving: Inferring Yielding Intentions for Safer Interactions
School of Mechanical and Aerospace Engineering, Queen’s University Belfast(女王大学贝尔法斯特机械与航空航天工程学院);Department of Mechanical and Industrial Engineering, Concordia University(Concordia大学机械与工业工程系);State Key Laboratory of Advanced Design and Manufacturing Technology for Vehicle, College of Mechanical and Vehicle Engineering, Hunan University(湖南大学车辆先进设计与制造技术国家重点实验室,机械与车辆工程学院);James Watt School of Engineering, University of Glasgow(格拉斯哥大学詹姆斯·瓦特工程学院)
提出基于DAG的社交意图估计算法与DRL决策框架,解决自动驾驶变道中周围人类车辆意图模糊问题,提升变道安全性与效率。
2025-04-28 cs.LG cs.RO
Multimodal Interaction and Intention Communication for Industrial Robots
Technical University of Munich(慕尼黑工业大学);Bosch Corporate Research(博世公司研究部);Örebro University(厄勒布鲁大学)
本文提出非人形工业机器人通过小型拟人代理进行多模态交互,利用大语言模型增强通信,以提升人机交互的安全与效率。
2025-02-25 cs.HC cs.RO
Long-term Pedestrian Trajectory Prediction using Mutable Intention Filter and Warp LSTM
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
轨迹预测是机器人安全导航和与行人交互的关键能力之一。需要整合来自人类意图和行为模式的关键见解,以有效预测长期行人行为。因此,我们提出了一个包含可变意图过滤器和Warp LSTM(MIF-WLSTM)的框架,以同时估计人类意图并执行轨迹预测。可变意图过滤器的灵感来自粒子过滤和遗传算法,其中粒子表示可以在整个行人运动中发生变化的意图假设。我们的Warp LSTM不是预测随时间推移的顺序位移,而是学习在由名义意图感知线性模型预测的完整轨迹上生成偏移,该模型在过滤过程中考虑意图假设。通过在公开数据集上的实验,我们证明了我们的方法优于基线方法,并证明了我们的方法在异常意图变化情况下的鲁棒性能。代码可在https://github.com/tedhuang96/mifwlstm上获得。
2021-06-21 cs.CV cs.RO
HOI4ABOT: Human-Object Interaction Anticipation for Human Intention Reading Collaborative roBOTs
Technische Universität Wien (TU Wien)(维也纳技术大学);Institute of Robotics and Mechatronics (DLR), German Aerospace Center(德国航空航天中心机器人与机电一体化研究所)
本文提出基于Transformer的HOI预测框架HOI4ABOT,使协作机器人能从视频中高效检测并预测人-物交互,在VidHOI数据集上以15.4倍速度优势超越现有方法,并通过真实机器人实验验证了预测能力对人机协作的关键作用。
2024-04-08 cs.CV cs.RO
DROGON: A Trajectory Prediction Model based on Intention-Conditioned Behavior Reasoning
Honda Research Institute, USA(美国本田研究院);Sungkyunkwan University(成均馆大学)
我们提出了一个深度鲁棒目标导向的轨迹预测网络(DROGON),通过考虑车辆在交通场景中的行为意图来精确预测车辆轨迹。我们的主要观点是,行为(即,运动)可以从驾驶员的高级可能目标(即,在路上的意图。为了成功地进行这种行为推理,我们建立了一个条件预测模型来预测目标导向的轨迹,包括以下几个阶段:(i)关系推理,我们使用感知上下文对车辆的关系交互进行编码;(ii)意图估计,根据推断的关系计算意图目标的概率分布;以及(iii)行为推理,其中我们将车辆的行为推理为以意图为条件的轨迹。为此,我们将所提出的框架扩展到行人轨迹预测任务,显示出对一般轨迹预测的潜在适用性。
2020-11-06 cs.CV cs.RO
Unpacking Human Teachers' Intentions For Natural Interactive Task Learning
University of Michigan(密歇根大学);Palo Alto Research Center(帕洛阿尔托研究中心)
交互式任务学习(ITL)是一个新兴的研究议程,研究设计复杂的智能机器人,可以通过自然的人类教师-机器人学习者互动获得新的知识。ITL方法对于设计智能机器人特别有用,这些机器人的行为可以通过与它们合作的人类来调整。各种研究团体都在为ITL提供方法,这项研究的一个很大的子集是\emph{robot-centered},重点是开发可以快速在线学习的算法。本文从\emph{human-centered}的角度研究ITL问题,为机器人设计提供指导,使人类教师可以自然地教授ITL机器人。在本文中,我们提出了1)互动教学研究(N=10)的定性双向分析,通过它,我们描述了人类教师在教机器人时所打算和执行的动作的各个方面; 2)深入讨论了两个参与者所采用的教学方法,以了解个人适应个人教学风格的必要性;和3)ITL机器人设计的要求,基于我们的分析和通知的计算理论的协作互动,SharedPlans。
2021-07-02 cs.HC cs.RO
CoBaIR: A Python Library for Context-Based Intention Recognition in Human-Robot-Interaction
University of Bremen(不来梅大学);German Research Center for Artificial Intelligence(德国人工智能研究中心)
本文提出CoBaIR这一可适配Python库,通过集成两层贝叶斯网络实现基于情境的人机交互意图识别,兼具可解释性、可扩展性,并可在无数据时作为专家系统、有数据时进行微调。
2023-08-10 cs.HC cs.RO
Comparing Apples to Oranges: LLM-powered Multimodal Intention Prediction in an Object Categorization Task
University of Hamburg(汉堡大学)
本文研究利用大语言模型在人与机器人协作分类任务中预测人类意图,提出融合手势、姿势、表情、环境状态和语言线索的分层多模态方法,并在五个LLM上验证了其推理潜力。
2025-04-08 cs.AI cs.HC cs.RO
Communicating Robot's Intentions while Assisting Users via Augmented Reality
Honda Research Institute Europe(欧洲本田研究院)
针对辅助机器人协作中用户难预判机器人意图的问题,提出用增强现实传达机器人意图与预期动作的方案,以实现流畅直观的人机交互。
2023-08-21 cs.HC cs.RO
MIRAGE: Multimodal Intention Recognition and Admittance-Guided Enhancement in VR-based Multi-object Teleoperation
The Hong Kong Polytechnic University(香港理工大学);University of Jyväskylä(于韦斯屈莱大学)
针对VR多目标遥操作中感知模糊和单模态意图识别局限的问题,提出融合虚拟导纳模型与多模态CNN意图感知网络的共享控制框架,经用户研究验证可提升抓取成功率与运动效率,为多目标抓取提供鲁棒方案。
2025-09-02 cs.HC cs.RO
MINT-RVAE: Multi-Cues Intention Prediction of Human-Robot Interaction using Human Pose and Emotion Information from RGB-only Camera Data
College of Science and Engineering, Hamad Bin Khalifa University(哈马德·本·哈利法大学科学与工程学院)
本文提出仅用RGB数据的MINT-RVAE方法,通过合成序列生成、新损失函数与训练策略缓解类别不平衡,实现帧级人机交互意图预测,AUROC达0.95并超越先前工作。
2025-09-26 cs.CV cs.RO
Chatting about Conditional Trajectory Prediction
Sun Yat-sen University(中山大学);Alibaba Group(阿里巴巴集团)
本文提出CiT方法,通过跨时间域意图交互实现轨迹预测,结合自身运动与社交交互信息,提升预测精度并集成机器人运动规划模块。
2026-04-20 cs.CV cs.RO
Robot Learning Theory of Mind through Self-Observation: Exploiting the Intentions-Beliefs Synergy
University of Essex(埃塞克斯大学);Università degli Studi di Milano Bicocca(米兰比可卡大学)
在复杂的环境中,人类的感觉系统达到了极限,我们的行为受到我们对周围世界状态的信念的强烈驱动。因此,在自然环境中,理解他人的信仰、意图或一般的精神状态,可以实现更有效的社会互动。然而,这些变量并不能直接观察到。心理理论(英语:Theory of Mind,简称TOM)是一种将其他智能体的信念、意图或精神状态归因于其他智能体的能力,是人类社会互动的一个重要特征,也是机器人社区感兴趣的领域。最近,已经引入了能够学习TOM的新模型。在本文中,我们展示了学习预测低层次心理状态(如意图和目标)与归因于高层次心理状态(如信念)之间的协同作用。假设信念的学习可以通过在部分可观察的环境中观察自己的决策和信念估计过程并使用简单的前馈深度学习模型来进行,我们表明,当学习预测他人的意图和行动时,如果信念归因与行动和意图预测同时学习,则可以获得更快,更准确的预测。我们表明,学习性能提高,即使在观察代理与不同的决策过程,是更高的观察时,信念驱动的块的行为。我们建议,我们的架构方法可以为未来的自适应社会机器人,应该能够自主理解和协助人类合作伙伴在新的自然环境和任务的设计相关。
2022-10-17 cs.AI cs.LG cs.RO
Proactive Human-Robot Co-Assembly: Leveraging Human Intention Prediction and Robust Safe Control
Carnegie Mellon University(卡内基梅隆大学)
本文提出一个集成框架,通过鲁棒意图预测和鲁棒安全控制实现主动式人机协同装配,在Kinova Gen3机器人上验证了环境鲁棒性、15-20%的效率提升和交互安全性。
2023-09-02 cs.AI cs.RO
Leading or Following? Dyadic Robot Imitative Interaction Using the Active Inference Framework
Okinawa Institute of Science and Technology Graduate University(冲绳科学技术大学院大学)
本研究探讨了机器人智能体之间的社会互动如何根据个体对行动意图的信念而动态变化。在一组仿真研究中,我们研究二进模仿机器人的相互作用,使用变分递归神经网络模型。该模型基于自由能原理,使得一对相互作用的机器人发现自己处于循环中,试图使用主动推理来预测和推断彼此的动作。我们研究了如何调节复杂性项,以最大限度地减少自由能确定网络和相互作用的动态特性。当一个训练较严格的规则和另一个训练较宽松的规则相互作用,后者倾向于通过施加更强的动作意图来引导交互,而前者倾向于通过适应其观察来跟随。研究证实,二进模仿互动成为成功的实现高同步率时,领导者和追随者是由发展的行动意图与强信念和弱信念,分别。
2021-08-30 cs.AI cs.NE cs.RO
Interaction-Aware Model Predictive Decision-Making for Socially-Compliant Autonomous Driving in Mixed Urban Traffic Scenarios
Institute of Control Systems, Karlsruhe Institute for Technology(控制系统研究所,卡尔斯鲁厄技术学院);Wuerzburg Institute for Traffic Sciences GmbH(魏玛交通科学研究所有限公司);Faculty of Engineering - Mechanical Engineering Dept, University of Alberta(工程学院-机械工程系,阿尔伯塔大学)
本文提出交互感知模型预测决策框架,用于提升自动驾驶在混合城市交通场景中的社会合规性与安全性。
2026-02-24 cs.RO cs.SY eess.SY
Intention Communication and Hypothesis Likelihood in Game-Theoretic Motion Planning
Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学)
针对多机器人博弈规划中目标函数并非先验已知且通信可能出错的问题,提出结合意图通信、假设似然与离散贝叶斯滤波的容错滚动时域规划器,并在三类自动驾驶仿真场景中验证其安全性。
2022-09-26 cs.GT cs.RO cs.SY
Context Model for Pedestrian Intention Prediction using Factored Latent-Dynamic Conditional Random Fields
顺畅地处理行人交互是自动驾驶汽车(AV)和高级驾驶员辅助系统(ADAS)的关键要求。这样的系统要求对车辆前方行人的横穿/不横穿行为进行早期和准确的预测。现有的行人行为预测方法利用行人的运动,他/她在场景中的位置和静态的上下文变量,如交通信号灯,斑马线等,我们强调的必要性,早期预测平稳运行这样的系统。为此,我们介绍了车辆的相互作用对行人意图的影响。在本文中,我们展示了一个明显的进步,在预测时间的帮助下,包括这样的车辆相互作用的背景。我们将我们的方法应用于两个不同的数据集,一个是内部收集的NTU数据集,另一个是公开的真实基准测试JAAD数据集。我们还提出了一个通用的图形模型因子化的潜在动态条件随机场(FLDCRF)的单标签和多标签序列预测以及联合互动建模任务。在相同的时间序列特征上,FLDCRF在数据集(每个数据集$\sim$ 100个序列)上的表现优于长短期记忆(LSTM)网络。虽然现有的最好的系统预测行人停车行为与70\%的准确性0.38秒之前的实际事件,我们的系统达到这样的准确性平均至少0.9秒之前的实际事件跨数据集。
2020-09-15 cs.CV cs.RO eess.IV
INTENT: An LSTM Framework for Vehicle Intention Prediction in Intersection Scenarios with Comprehensive Ablation Analysis
C-DRiVeS Lab: Cognitive Driving Research in Vehicular Systems(C-DRiVeS实验室:车载系统认知驾驶研究);Computer Science and Engineering Department - Faculty of Media Engineering and Technology - German University in Cairo(计算机科学与工程系-媒体工程与技术学院-埃及德国大学)
研究针对交叉路口车辆意图预测问题,提出INTENT框架,运用LSTM模型提前2秒预测车辆意图动作,经在InD数据集上的实验和消融研究,取得99.71%准确率,可助力自动驾驶在复杂场景下安全行驶及增强轨迹预测。
2026-07-10 cs.AI cs.LG cs.RO
Interaction-Aware Decision-Making for Autonomous Vehicles in Forced Merging Scenario Leveraging Social Psychology Factors
University of Michigan(密歇根大学);Ford Research and Advanced Engineering(福特研究与高级工程中心);Excelled Tracer LLC(Excelled Tracer有限责任公司)
针对自动驾驶车辆强制汇入问题,提出融合驾驶员社会行为与个人目标的交互行为模型,并采用贝叶斯滤波与滚动时域控制实现在线意图估计和不确定性决策。
2023-09-25 cs.AI cs.RO cs.SY
LOKI: Long Term and Key Intentions for Trajectory Prediction
Honda Research Institute USA(本田美国研究所);University of California, Berkeley(加州大学伯克利分校);Honda R&D Co., Ltd.(本田技术研究所)
轨迹预测的最新进展表明,关于智能体意图的显式推理对于准确预测其运动是重要的。然而,目前的研究活动并不直接适用于智能和安全关键系统。这主要是因为很少有公共数据集可用,并且它们仅从有限的自我中心观点考虑短时间内的特定意图。为此,我们提出了LOKI(LONG术语和关键意图),这是一种新型的大规模数据集,旨在解决自动驾驶环境中异构交通代理(行人和车辆)的联合轨迹和意图预测。LOKI数据集的创建是为了发现可能影响意图的几个因素,包括i)代理人自己的意愿,ii)社会互动,iii)环境约束,以及iv)上下文信息。我们还提出了一个模型,联合执行轨迹和意图预测,表明递归推理的意图可以帮助轨迹预测。我们表明,我们的方法优于国家的最先进的轨迹预测方法高达$27\%$,也提供了一个基线帧明智的意图估计。
2021-09-17 cs.AI cs.CV cs.LG
Learning mental states estimation through self-observation: a developmental synergy between intentions and beliefs representations in a deep-learning model of Theory of Mind
University of Essex(埃塞克斯大学);Università Milano-Bicocca(米兰比可卡大学);Istituto di Scienze e Tecnologie della Cognizione, Consiglio Nazionale della Ricerche(国家研究委员会认知科学与技术研究所)
本文提出心智理论深度学习模型,通过自我观察决策过程同时学习低级意图与高级信念归因,实验证明该发展协同机制能提升预测准确性,为社交机器人设计提供启示。
2024-07-25 cs.AI cs.LG cs.NE
Proactive Intention Recognition for Joint Human-Robot Search and Rescue Missions through Monte-Carlo Planning in POMDP Environments
University of Essex(埃塞克斯大学)
主动感知他人的意图是在非结构化、动态和新颖的环境中有效互动的关键技能。这项工作提出了将这种技能嵌入到搜索和救援任务的支持机器人中的第一步。事实上,预测应对方的意图将使勘探方法能够确定和优先考虑与应对方更相关的领域,从而与任务更相关,从而制定更安全、更有力和更有效的联合勘探战略。更具体地说,本文提出了一种主动的意图识别范式感知,即使在感官的限制,不仅目标的位置,但也第一响应者的动作,这可以提供信息,他/她的意图(例如,到达的位置,他/她期望的目标)。这种机制是通过采用基于蒙特卡罗的规划技术的扩展部分可观察的环境,其中的奖励函数增加了熵减少奖金。我们在模拟中测试了几种配置的奖励增强,信息理论和不,以及信念状态近似,并获得了实质性的改进的基本方法。
2019-08-27 cs.AI cs.HC cs.LG