Learning deep collaborative policies from human-human interaction

Abstract

Human-to-human interactions can serve as a template to make the behavior of robots more natural and human. Imitation learning algorithms and the adaptation of existing motion prediction networks (Recurrent Neural Networks) could be used to develop different approaches that lead to a better prediction of human-to-human interactions, which could then be transferred to a robot in a simulation. Here, it could be demonstrated how the algorithms would work in a human-to-robot interaction. The approaches were compared with each other, and thus, the strengths and weaknesses of the different deep neural networks could be determined.

Mensch-zu-Mensch Interaktionen können als Vorlage dienen, das Verhalten von Robotern natürlicher und menschenähnlicher zu gestalten. Durch Imitation Learning Algorithmen und Adaption bestehender Bewegungsprediktionsnetzwerke (Recurrent Neural Networks) wurden verschiedene Ansätze erarbeitet, die zu einer besseren Vorhersage von Mensch-zu-Mensch Interaktionen führen. In einer Simulation wurden diese auf einen Roboter übertragen. Hier konnte exemplarisch gezeigt werden, wie die Algorithmen in einer Mensch-zu-Roboter Interaktion funktionieren. Die Ansätze wurden miteinander verglichen und Stärken und Schwächen der verschieden tiefen neuronalen Netzwerke wurden ermittelt.