用于机器社会感知的基于物理的抽象社会事件

人类可以对他人的精神状态做出批判性的判断。对人工智能和机器人相似能力的研究通常仅限于击掌或握手等短动作。最近在 arXiv.org 上的一项研究提出了推理物理环境中复杂社会互动的机制和信念的第一个基准，例如帮助和阻碍。

在联合物理社会模拟中，代理和对象是在 2D 空间中移动的物理身体。此外，还创建了一个由描述各种交互的视频动画组成的社交事件数据集。在数据集上提出了两个任务：识别代理的目标和关系以及预测未来的轨迹。

然而，当前基于前馈神经网络的最先进方法无法完成这些任务。作者希望拥有一个理解社会互动的系统基准将刺激新的研究。

在物理环境中感知和推理社会互动的能力是人类社会智能和人机合作的核心。然而，之前的数据集或基准都没有系统地评估过复杂社交互动的物理基础感知，这些社交互动超越了短暂的动作(例如击掌)或简单的团体活动(例如聚会)。在这项工作中，我们创建了一个基于物理的抽象社交事件数据集 PHASE，它通过包含诸如帮助另一个代理之类的社会概念来类似于广泛的现实生活中的社交互动。PHASE 由使用物理引擎和分层规划器程序生成的连续空间中移动的成对代理的 2D 动画组成。代理的视野有限，可以与多个对象进行交互，在具有多个地标和障碍物的环境中。使用 PHASE，我们设计了一个社会识别任务和一个社会预测任务。PHASE 已通过人体实验进行验证，证明人类在社会事件中感知到丰富的交互，并且模拟代理的行为与人类相似。作为基线模型，我们引入了贝叶斯逆向规划方法 SIMPLE(模拟、规划和局部估计)，其性能优于最先进的前馈神经网络。我们希望 PHASE 可以成为开发能够识别复杂社会交互的新模型的一项艰巨的新挑战。PHASE 已通过人体实验进行验证，证明人类在社会事件中感知到丰富的交互，并且模拟代理的行为与人类相似。作为基线模型，我们引入了贝叶斯逆向规划方法 SIMPLE(模拟、规划和局部估计)，其性能优于最先进的前馈神经网络。我们希望 PHASE 可以成为开发能够识别复杂社会交互的新模型的一项艰巨的新挑战。PHASE 已通过人体实验进行验证，证明人类在社会事件中感知到丰富的交互，并且模拟代理的行为与人类相似。作为基线模型，我们引入了贝叶斯逆向规划方法 SIMPLE(模拟、规划和局部估计)，其性能优于最先进的前馈神经网络。我们希望 PHASE 可以成为开发能够识别复杂社会交互的新模型的一项艰巨的新挑战。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！