面向人类学习动态的建模与影响

人类内部具有关于机器人（如物理能力）、世界（如接下来会发生什么）以及任务（如首选目标）的模型。然而，人类的内部模型并不总是完美的：例如，容易低估机器人的惯性。尽管如此，这些模型会随着人类积累更多经验而改变和完善。有趣的是，机器人行为会影响这种经验的内容，从而影响人们内部模型的改变方式。本工作迈出了使机器人能够理解自身影响、利用它更好地协助人类、以及帮助人类模型更快地与现实对齐的一步。我们的关键想法是将人类的学习建模为一个非线性 dynamical system，给定新观察来演化人类的内部模型。我们制定了一个新颖的优化问题，从自然展现人类学习的演示中推断人类的学习动态。然后，我们将人类学习动态模型嵌入机器人规划问题中，形式化了机器人如何影响人类学习。虽然我们的公式提供了具体的问题陈述，但它们在一般情况下难以求解。我们贡献了一个近似方法，牺牲了我们可以表示的人类内部模型的复杂性，但使机器人能够学习这些内部模型的非线性动态。我们在模拟环境和一项线下用户研究中评估了我们的推理和规划方法，在该研究中，一个7自由度机械臂教参与者成为更好的远距离操作员。虽然影响人类学习仍然是一个开放问题，但我们的结果表明这种影响是可能的，并且在实际的人机交互中可能是有帮助的。