[论文解读] Hierarchical Model of Human Guidance Performance Based on Interaction Patterns in Behavior

Bernard Mettler, Zhaodan Kong|arXiv (Cornell University)|Nov 14, 2013

AI-based Problem Solving and Planning参考文献 11被引用 10

一句话总结

本文提出了一种分层隐马尔可夫模型（HHMM），通过代理与环境之间不变的交互模式来形式化人类空间引导行为。通过将行为建模为这些模式的组合，该框架能够在不依赖代理动力学详细知识的情况下实现灵活、自适应的规划，展示了在人机系统和自主机器人领域中的预测能力。

ABSTRACT

This paper describes a framework for the investigation and modeling of human spatial guidance behavior in complex environments. The model is derived from the concept of interaction patterns, which represent the invariances or symmetries inherent in the interactions between an agent and its environment. These patterns provide the basic elements needed for the formalization of spatial behavior and determine a natural hierarchy that can be unified under a hierarchical hidden Markov model.

研究动机与目标

• 开发一个统一框架，用于建模复杂环境中的人类空间引导行为。
• 识别代理与环境之间的不变交互模式，作为行为组织的基本单元。
• 通过将复杂任务分解为分层交互模式，实现灵活、自适应的规划。
• 通过聚焦于涌现的交互不变性，减少对代理动力学详细知识的依赖。
• 支持人机交互、自主系统以及飞行员性能建模等应用。

提出的方法

• 将引导行为形式化为由闭环动力学控制的代理-环境状态空间中的轨迹。
• 通过将连续状态量化为有限字母表，引入符号表示以支持模式分析。
• 将交互模式定义为代理-环境交互中的不变性，作为行为基元的基础。
• 构建一个两层的分层隐马尔可夫模型（HHMM）：高层模式转换与底层行为执行。
• 利用感知-动作回路动力学，推导每个交互模式的控制与信息提取规律。
• 采用数据驱动学习方法，从未实验数据中推断时间到目标的函数形式与转换规则。

实验结果

研究问题

• RQ1 在复杂环境中，支撑人类空间引导行为的不变交互模式是什么？
• RQ2 这些交互模式如何组织成分层结构以支持灵活行为？
• RQ3 在不显式掌握代理动力学知识的情况下，高层规划能在多大程度上实现？
• RQ4 感知、认知与行动如何在一个统一的引导行为模型中实现整合？
• RQ5 该模型能否预测人类表现，并支持人机系统中的自适应控制？

主要发现

• 源自代理-环境动力学不变性的交互模式，构成了空间行为的基本构建模块。
• 分层隐马尔可夫模型成功通过模式转换捕捉了复杂行为的组合特性。
• 可通过一个紧凑的交互模式库执行高层规划，显著降低认知与计算负荷。
• 无需显式建模代理动力学；仅其在交互模式中的表现形式对行为预测至关重要。
• 该模型支持对子目标达成情况与模式有效性的实时监控，从而支持自适应行为控制。
• 该框架支持飞行员行为的预测建模，具有集成到主动提示与控制切换系统中的潜力。