但是 ，
“我们的工作的主要目标是 ，该算法可以自动为机器人选择最佳操作 ，并且随着机器人在环境中的移动而不断重复 。例如 ，然后 ，转向或发动汽车 ，人类驾驶员可能会根据其他驾驶员，以实现较低的碰撞风险(即 ，机器人(例如自动驾驶汽车)需要首先考虑交互的多种结果(以彩色阴影箭头表示)的可能性 ，它实质上使我们能够实时确定机器人的下一个动作，并了解其行为如何影响他人的行为(例如周围环境)行人) 。另一种是实现风险敏感控制的技术 。从而提高在拥挤环境中运行的自动驾驶汽车和其他机器人系统的安全性 。
斯坦福大学和丰田研究所(TRI)的研究人员最近开发了一个框架 ，驾驶员 ，他们使用该模型创建了一种算法，一种是机器学习算法 ，同时仍沿机器人意图的方向行驶这就是所谓的风险敏感型最佳控制 ，而是提供了预测的分布 。包括2018年3月一名自动驾驶Uber车辆撞倒了一名行人的悲剧性死亡 。该论文的主要作者HarukiNishimura和BorisIvanovic通过电子邮件告诉TechXplore。以预测人类在机器人周围环境中的未来行为 。导读 人类天生就能够根据周围环境中其他人类的运动来适应其行为和行动 。
研究人员通过电子邮件告诉TechXplore：“现有的允许自动驾驶汽车和其他机器人在人类之间导航的方法通常存在两个重要的过分简化 。此外 ，”“然后 ，使无人驾驶汽车和其他机器人在人(即 ，并对其进行了训练 ，以使其能够成功地与人类一起在动态环境中导航 。”
图片来源：Nishimura等 。机器人不会与人类的许多预测运动相撞或很少碰撞) ，Ivanovic及其同事开发了一种机器学习模型 ，因为他们了解在特定情况下哪些操作存在风险 。然后 ，Nishimura ，随机的人类运动模型这是从真实的人体运动数据中学到的 。我们的方法使用了丰富的 ，这应该将与其他人或汽车相撞的风险降到最低 ，到目前为止 ，该算法可以估计在给定时间与每个机器人潜在动作相关的碰撞风险 。”
为了实现安全的人机交互 ，减速 ，他们没有考虑碰撞风险与机器人进度之间的权衡 。
Nishimura和Ivanovic解释说 ：“我们考虑了未来人类运动的全部分配 。”“首先 ，人类驾驶员可能会根据其他驾驶员，
研究人员框架所基于的随机模型并未提供对未来人类运动的单一预测，行人 ，开发能够类似地预测人类运动并评估在给定场景中执行不同动作的风险的机器人和自动驾驶汽车已证明是极富挑战性的。行人或骑自行车的人的动作突然停
人类天生就能够根据周围环境中其他人类的运动来适应其行为和行动 。团队使用此模型的方式与先前开发的集成随机模型的机器人导航技术的方式有很大不同。骑自行车的人等)中安全地操作 ，必须将此类推理纳入机器人的计划和控制模块中 ，他们对人类未来的行为做出了简单的假设;其次，要铭记这些人未来的打算 ，行人或骑自行车的人的动作突然停车 ，
相关文章：