MARC

 008250123s2024        us                              c    eng  d
■001000017164460
■00520250211153005
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384043799
■035    ▼a(MiAaPQ)AAI31631378
■035    ▼a(MiAaPQ)umichrackham005855
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aGuo,  Yaohui.
■24510▼aTrust-Aware  Multi-Agent  Human-Robot  Teaming
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a136  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Shi,  Cong;Yang,  X.  Jessie.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aHuman-robot  teaming  is  a  major  emphasis  in  the  ongoing  transformation  of  future  workspace  wherein  human  agents  and  robotic  agents  are  expected  to  work  as  a  team.  Human  trust  in  a  robot,  a  crucial  factor  for  realizing  effective  human-robot  interaction  (HRI),  has  been  studied  extensively  from  different  angles,  including  trust's  psychological  construct,  antecedents  of  trust,  and  trust  calibration.  However,  the  advancements  in  artificial  intelligence  and  robotics  are  transitioning  robots  from  subordinates  to  human  partners,  which  poses  new  challenges  in  managing  human  trust  in  HRI:Previous  methods  usually  assess  human  trust  only  at  a  single  point,  failing  to  account  for  how  trust  evolves  as  humans  continuously  interact  with  robots.  Therefore,  there  is  a  critical  need  to  develop  models  that  can  dynamically  monitor  and  adapt  to  changes  in  trust  throughout  these  interactions.As  robots  gain  advanced  capabilities  and  are  deployed  in  increasingly  complex  tasks,  determining  an  optimal  trust  level  that  aligns  with  these  scenarios  becomes  challenging,  complicating  direct  trust  calibration  efforts.Previous  literature  mainly  focuses  on  dyadic  HRI  scenarios,  there  is  little  to  no  research  on  trust  formation  and  dynamics  in  a  multi-agent  human-robot  team.  Enabling  trust-aware  HRI  in  such  scenarios  requires  a  deeper  understanding  of  trust  management  in  multi-agent  systems.To  fill  the  research  gap,  this  dissertation  models  trust-aware  HRI  in  a  computational  framework  and  tackles  several  fundamental  research  problems.  From  Chapter  2  to  Chapter  4,  we  present  our  results  in  dyadic  human-robot  teams.  In  Chapter  2,  we  develop  a  personalized  trust  prediction  model  using  Bayesian  inference,  which  is  built  upon  previous  studies  on  trust  dynamics  and  outperforms  the  existing  methods  in  trust  prediction.  In  Chapter  3,  we  introduce  a  novel  trust-behavior  model,  the  reverse  psychology  model,  and  examine  the  impact  of  different  trust-behavior  models  on  robot  policies  and  team  performance.  A  trust-seeking  reward  function  is  proposed  to  mitigate  "manipulative''  behavior.  Chapter  4  looks  further  into  the  reward  design  problem,  using  the  reward  shaping  technique  to  balance  human  trust  and  task  performance,  which  encourages  the  robot  to  increase  human  trust  without  significantly  compromising  task  performance.In  Chapters  5  and  6,  we  extend  the  problem  to  multi-agent  cases.  In  Chapter  5,  we  propose  the  Trust  Inference  and  Propagation  (TIP)  model  to  quantify  and  predict  human  trust  in  multi-human  multi-robot  teams.  This  model  captures  both  the  direct  and  indirect  experiences  a  human  has  with  a  robot  and  demonstrates  outstanding  prediction  accuracy  through  human-subject  experiments.  Chapter  6  addresses  the  problem  of  online  multi-agent  teaming  in  a  bandit  framework.  We  develop  an  online  learning  algorithm,  LinMatch,  for  optimizing  robot-human  team  configurations,  achieving  efficient  matching  under  uncertainty,  and  providing  novel  theoretical  bounds.  The  algorithm's  applicability  extends  beyond  HRI  to  general  online  matching  problems.By  addressing  these  challenges,  this  dissertation  advances  both  the  theoretical  framework  and  practical  applications  of  trust  in  human-robot  interaction,  setting  the  stage  for  the  development  of  more  reliable  and  effective  autonomous  systems  in  real-world  settings.
■590    ▼aSchool  code:  0127.
■650  4▼aIndustrial  engineering
■650  4▼aRobotics
■653    ▼aHuman-robot  interaction
■653    ▼aTrust  in  automation
■653    ▼aMulti-agent  interaction
■653    ▼aLinMatch
■653    ▼aBayesian  inference
■690    ▼a0546
■690    ▼a0796
■690    ▼a0771
■71020▼aUniversity  of  Michigan▼bIndustrial  &  Operations  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164460▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서