[論文レビュー] Modeling Human Temporal Uncertainty in Human-Agent Teams

Dominguez, Maya Abo, La, William+1 more|arXiv (Cornell University)|Oct 9, 2020

Mobile Crowdsensing and Crowdsourcing参考文献 9被引用数 1

ひとこと要約

本稿では、人間-ロボットチームにおける人間の時間的不確実性をモデル化するため、ウェブベースの共同パッケージングゲームを提案する。アマゾン・メカニカル・トゥルーストを活用して100名のクラウドワーカーから得たデータを用い、人間のタイミング変動性を最もよく表すのは対数正規分布であることが判明した。これは、個々の注文および全タスクの所要時間において、他の重尾型および軽尾型分布を上回った。

ABSTRACT

A Probabilistic Simple Temporal Network (PSTN) is a formalism for representing and reasoning about actions subject to temporal constraints, where some action durations may be uncontrollable, modeled using continuous probability density functions. Recent work aims to manage this kind of uncertainty during execution by approximating a PSTN by a Simple Temporal Network with Uncertainty (STNU) (for which well-known execution strategies exist) and using an STNU execution strategy to execute the PSTN, hoping that its probabilistic action durations will not cause any constraint violations. This paper presents significant improvements to the robust execution of PSTNs. Our approach is based on a recent, faster algorithm for finding negative cycles in non-DC STNUs. We also formally prove that many of the constraints included in others' work are unnecessary and that our algorithm can take advantage of a flexible real-time execution algorithm to react to observations of contingent durations that may fall outside the fixed STNU bounds. The paper presents an empirical evaluation of our approach that provides evidence of its effectiveness in robustly executing PSTNs derived from a publicly available benchmark.

研究の動機と目的

• 自動化されたロボットスケジューリングのための人間の時間的不確実性のモデル化のギャップを埋める。
• 正確なタイミングデータを捉えることのできるスケーラブルでオンラインのヒューマンロボット共同タスクを設計する。
• チームワークにおける人間の行動タイミングを最もよくモデル化する確率分布を実証的に評価する。
• 人間-ロボットの円滑な連携を向上させる将来の自動スケジューリング戦略を支援する。

提案手法

• フルフィルメントセンターのワークフローを模倣するブラウザベースの共同パッケージングゲームを開発した。
• 個々の行動および全タスク完了の所要時間を記録するため、内部タイマーを実装した。
• アマゾン・メカニカル・トゥルーストを介して100名の参加者を募集し、制御された条件下でゲームを実施した。
• ロボットの配送および人間のピックアップ遅延を含む、3回の連続注文のタイミングデータを収集した。
• 適合度検定を用いて、標準的な確率分布（例：正規分布、指数分布、対数正規分布、ワイブル分布、ガンマ分布）に実測データをフィットさせた。
• 統計的評価（例：AIC、BIC、コルモゴロフ・スミルノフ検定）を用いて、ミクロおよびマクロなタイミングレベルにおけるモデルの性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 共同での人間-ロボットタスクにおける人間の時間的不確実性を最もよくモデル化する確率分布は何か？
• RQ2 個々のタスク注文と全相互作用との間で、人間のタイミングばらつきはどのように異なるか？
• RQ3 学習効果や繰り返しの相互作用においても、同じ分布が人間のタイミングをモデル化できるか？
• RQ4 オンラインゲームから得られる正確なタイミングデータは、人間-ロボットの円滑な連携を向上させる自動スケジューリングにどのように活用できるか？
• RQ5 対数正規分布は、多様な人間-ロボット相互作用の文脈において、人間のタイミングを堅牢にモデル化できるか？

主な発見

• 対数正規分布が、AIC、BIC、およびコルモゴロフ・スミルノフ検定による測定において、全テスト済み分布の中で人間のタイミングデータに最も適合した。
• 対数正規モデルは、他の重尾型分布（例：ワイブル分布、ガンマ分布）および軽尾型分布（例：正規分布、指数分布）を上回り、個々の注文所要時間および全タスク所要時間の両方のフィットに優れていた。
• 学習効果を含む状況でも、対数正規分布の適合性は安定しており、繰り返しの相互作用においても一貫した性能を示した。
• ミクロ（個々の注文）およびマクロ（全タスク）レベルの両方で高い精度を示したため、動的スケジューリングシステムへの適用が適していることが示唆された。
• 結果から、人間のタイミング不確実性をリアルタイムのロボットスケジューリングに反映させるために、対数正規分布を用いることが、人間-ロボットの円滑な連携を向上させる上で有効であると支持された。
• 本実験フレームワークは、将来的なヒューマンロボット相互作用研究におけるスケーラブルで正確なタイミングおよび円滑性メトリクスの測定を可能にする。