[논문 리뷰] Modeling Human Temporal Uncertainty in Human-Agent Teams

Dominguez, Maya Abo, La, William외 1명|arXiv (Cornell University)|2020. 10. 09.

Mobile Crowdsensing and Crowdsourcing참고 문헌 9인용 수 1

한 줄 요약

이 논문은 인간-로봇 팀에서 인간의 시간적 불확실성을 모델링하기 위해 웹 기반 공동 패키징 게임을 제안한다. 아마존 메커니컬 터크를 통해 100명의 커뮤니티 워커로부터 수집한 데이터를 바탕으로, 인간의 시간 변동성에 대해 로그노멀 분포가 다른 두꺼운 尾(heavy-tailed) 및 얇은 尾(light-tailed) 분포보다 가장 잘 맞는 것으로 나타났으며, 개인 주문과 전체 작업 수행 시간 모두에서 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• 자동화된 로봇 스케줄링을 위한 인간의 시간적 불확실성 모델링 부족을 보완하기 위해.
• 정밀한 시간 데이터를 캡처할 수 있는 확장성 있고 온라인 기반의 인간-로봇 공동 작업 설계를 위해.
• 협업 환경에서 인간 행동 시간을 가장 잘 모델링하는 확률 분포를 경험적으로 평가하기 위해.
• 향후 인간-로봇 유창성을 향상시키는 데 기여할 자동 스케줄링 전략을 제안하기 위해.

제안 방법

• 충족 센터 워크플로우를 시뮬레이션하는 브라우저 기반 공동 패키징 게임을 개발하였다.
• 개별 작업 및 전체 작업 완료 시간을 기록하기 위해 내부 타이머를 구현하였다.
• 통제된 조건에서 작업을 수행하도록 아마존 메커니컬 터크를 통해 100명의 참가자를 모집하였다.
• 로봇 배달 및 인간의 수령 지연을 포함한 세 개의 연속 주문에 대한 시간 데이터를 수집하였다.
• 적합도 테스트를 통해 표준 확률 분포(예: 정규분포, 지수분포, 로그노멀분포, 베타분포, 감마분포)에 경험적 데이터를 적합시켰다.
• 통계적 평가(예: AIC, BIC, 콜모고로프-스미르노프 검정)를 통해 마이크로 및 마크로 수준의 시간 측정에서 모델 성능을 비교하였다.

실험 결과

연구 질문

• RQ1 협업적 인간-로봇 작업에서 인간의 시간적 불확실성을 가장 잘 모델링하는 확률 분포는 무엇인가?
• RQ2 개별 작업 주문과 전체 상호작용 간에 인간의 시간 변동성은 어떻게 다를까?
• RQ3 학습 효과와 반복 상호작용 동안 동일한 분포가 인간의 시간을 모델링할 수 있는가?
• RQ4 온라인 게임을 통한 정밀한 시간 데이터는 인간-로봇 유창성을 향상시키기 위한 자동 스케줄링에 어떻게 기여할 수 있는가?
• RQ5 로그노멀 분포는 다양한 인간-로봇 상호작용 맥락에서 인간의 시간을 안정적으로 모델링할 수 있는가?

주요 결과

• AIC, BIC 및 콜모고로프-스미르노프 검정을 통해 측정한 결과, 로그노멀 분포가 모든 테스트된 분포 중에서 인간의 시간 데이터에 가장 잘 맞는 것으로 나타났다.
• 로그노멀 모델은 개별 주문 시간과 전체 작업 시간 모두에서 다른 두꺼운 꼬리 분포(예: 베타분포, 감마분포)와 얇은 꼬리 분포(예: 정규분포, 지수분포)를 모두 능가하는 적합도를 보였다.
• 학습 효과가 있음에도 불구하고 로그노멀 분포의 적합도는 높아지며 반복 상호작용 동안 일관된 성능을 유지함을 확인하였다.
• 마이크로 수준(개별 주문)과 마크로 수준(전체 작업)에서의 정확도가 높아, 이 모델이 동적 스케줄링 시스템에 적합함을 시사한다.
• 결과적으로 실시간 로봇 스케줄링에서 인간의 시간 불확실성을 표현하기 위해 로그노멀 분포를 사용할 것을 지지하며, 이는 인간-로봇 유창성을 향상시키는 데 기여한다.
• 실험적 프레임워크는 향후 인간-로봇 상호작용 연구를 위한 확장성 있고 정밀한 시간 측정 및 유창성 지표 측정을 가능하게 한다.