Robotics,Human-Computer Interaction,Machine Learning,روباتیک , تعامل انسان و رایانه , یادگیری ماشین ,
توضیحات
Submitted 10 July, 2024; originally announced July 2024. , Comments: Preprint version of paper accepted at IEEE RAL. Project URL: https://bit.ly/MoVEInt
توضیحات به فارسی
10 ژوئیه 2024 ارسال شد.در ابتدا در ژوئیه 2024 اعلام شد ، نظرات: نسخه preprint کاغذ پذیرفته شده در IEEE RAL.URL پروژه: https://bit.ly/moveint
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Shared dynamics models are important for capturing the complexity and variability inherent in Human-Robot Interaction (HRI). Therefore, learning such shared dynamics models can enhance coordination and adaptability to enable successful reactive interactions with a human partner. In this work, we propose a novel approach for learning a shared latent space representation for HRIs from demonstrations in a Mixture of Experts fashion for reactively generating robot actions from human observations. We train a Variational Autoencoder (VAE) to learn robot motions regularized using an informative latent space prior that captures the multimodality of the human observations via a Mixture Density Network (MDN). We show how our formulation derives from a Gaussian Mixture Regression formulation that is typically used approaches for learning HRI from demonstrations such as using an HMM/GMM for learning a joint distribution over the actions of the human and the robot. We further incorporate an additional regularization to prevent "mode collapse", a common phenomenon when using latent space mixture models with VAEs. We find that our approach of using an informative MDN prior from human observations for a VAE generates more accurate robot motions compared to previous HMM-based or recurrent approaches of learning shared latent representations, which we validate on various HRI datasets involving interactions such as handshakes, fistbumps, waving, and handovers. Further experiments in a real-world human-to-robot handover scenario show the efficacy of our approach for generating successful interactions with four different human interaction partners.
چکیده به فارسی (ترجمه ماشینی)
مدلهای دینامیک مشترک برای ضبط پیچیدگی و تنوع ذاتی در تعامل انسان-روبات (HRI) مهم هستند.بنابراین ، یادگیری چنین مدلهای مشترک پویایی می تواند هماهنگی و سازگاری را برای فعال کردن تعامل واکنشی موفق با یک شریک انسانی تقویت کند.در این کار ، ما یک رویکرد جدید برای یادگیری یک بازنمایی فضای نهفته مشترک برای HRI ها از تظاهرات در ترکیبی از متخصصان برای تولید واکنش های ربات از مشاهدات انسانی ارائه می دهیم.ما یک AutoEncoder متنوع (VAE) را آموزش می دهیم تا حرکات ربات را با استفاده از یک فضای نهفته آموزنده قبل از آن که مولتی مدلی مشاهدات انسانی را از طریق یک شبکه چگالی مخلوط (MDN) ضبط می کند ، یاد بگیریم.ما نشان می دهیم که چگونه فرمولاسیون ما از فرمولاسیون رگرسیون مخلوط گاوسی ناشی می شود که به طور معمول از رویکردهایی برای یادگیری HRI از تظاهرات مانند استفاده از HMM/GMM برای یادگیری توزیع مشترک بر روی اقدامات انسان و ربات استفاده می شود.ما در ادامه برای جلوگیری از "سقوط حالت" ، یک پدیده مشترک هنگام استفاده از مدل های مخلوط فضای نهفته با VAES ، یک تنظیم اضافی اضافی را نیز در بر می گیریم.ما می دانیم که رویکرد ما در استفاده از یک MDN آموزنده قبل از مشاهدات انسانی برای یک VAE ، حرکات ربات دقیق تری را در مقایسه با رویکردهای قبلی مبتنی بر HMM یا مکرر یادگیری بازنمایی های نهفته مشترک ایجاد می کند ، که ما در مجموعه داده های مختلف HRI که شامل تعامل مانند دست های دستی است ، اعتبار می دهیمFistbumps ، Wave و تحویل.آزمایش های بیشتر در یک سناریوی انتقال انسان و روبات در دنیای واقعی ، اثربخشی رویکرد ما برای ایجاد تعامل موفق با چهار شریک تعامل مختلف انسان را نشان می دهد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
