Experiments with sensorimotor games in dynamic human/machine interaction
Experiments with sensorimotor games in dynamic human/machine interaction
复制标题
动态人机交互中的感觉运动游戏实验
DOI：
10.1117/12.2519258
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Burden, Samuel A.
中科院分区：
文献类型：
--
作者：
Chasnov, Benjamin;Yamagami, Momona;Parsa, Behnoosh;Ratliff, Lillian J.;Burden, Samuel A.
在与机器交互时，人类会自然地形成关于机器行为的信念，这些信念会影响交互。由于人类和机器对彼此及其环境的信息都是不完美的，因此它们之间交互的自然模型是游戏。这种游戏已经从经济博弈论的角度进行了研究，离散决策的一些结果已经被翻译到神经机械的设置，但很少有工作时，人类在一个动态的闭环与机器互动的连续感觉运动游戏。我们从理论和实验两方面研究这些游戏，推导出人类与其他代理（人类和机器）交互的稳态（即平衡）和瞬态（即学习）行为的预测模型。具体来说，我们考虑的实验，其中代理商被指示控制一个线性系统，以最小化一个给定的二次成本功能，即代理商玩线性二次博弈。利用我们最近在连续游戏中基于梯度的学习结果，我们得出了关于稳态和瞬态游戏的预测。这些预测进行了比较，人类感觉运动学习的经验观察，使用遥操作测试床。
While interacting with a machine, humans will naturally formulate beliefs about the machine's behavior, and these beliefs will affect the interaction. Since humans and machines have imperfect information about each other and their environment, a natural model for their interaction is a game. Such games have been investigated from the perspective of economic game theory, and some results on discrete decision-making have been translated to the neuromechanical setting, but there is little work on continuous sensorimotor games that arise when humans interact in a dynamic closed loop with machines. We study these games both theoretically and experimentally, deriving predictive models for steady-state (i.e. equilibrium) and transient (i.e. learning) behaviors of humans interacting with other agents (humans and machines). Specifically, we consider experiments wherein agents are instructed to control a linear system so as to minimize a given quadratic cost functional, i.e. the agents play a Linear-Quadratic game. Using our recent results on gradient-based learning in continuous games, we derive predictions regarding steady-state and transient play. These predictions are compared with empirical observations of human sensorimotor learning using a teleoperation testbed.
登录
查看更多内容
影响因子：
8.7
作者：
Maryam Fazel;Rong Ge;S. Kakade;M. Mesbahi
通讯作者：
Maryam Fazel;Rong Ge;S. Kakade;M. Mesbahi
影响因子：
11.8
作者：
Xingye Zhang;Shaoqian Wang;Jesse B. Hoagg;T. Seigler
通讯作者：
Xingye Zhang;Shaoqian Wang;Jesse B. Hoagg;T. Seigler
用于识别手动控制中人类前馈响应的目标模型选择
影响因子：
11.8
作者：
Frank M. Drop;D. Pool;M. V. van Paassen;M. Mulder;H. Bülthoff
通讯作者：
H. Bülthoff
影响因子：
56.9
作者：
WOLPERT, DM;GHAHRAMANI, Z;JORDAN, MI
通讯作者：
JORDAN, MI
具有干扰输入的追踪跟踪中的人类控制策略
DOI：
10.1109/cdc.2014.7039980
发表时间：
2014
期刊：
53rd IEEE Conference on Decision and Control
影响因子：
--
作者：
Bo Yu;R. Gillespie;J. Freudenberg;J. Cook
通讯作者：
J. Cook