用于機器社會感知的基于物理的抽象社會事件

人類可以對他人的精神狀態做出批判性的判斷。對人工智能和機器人相似能力的研究通常僅限于擊掌或握手等短動作。最近在 arXiv.org 上的一項研究提出了推理物理環境中復雜社會互動的機制和信念的第一個基準，例如幫助和阻礙。

在聯合物理社會模擬中，代理和對象是在 2D 空間中移動的物理身體。此外，還創建了一個由描述各種交互的視頻動畫組成的社交事件數據集。在數據集上提出了兩個任務：識別代理的目標和關系以及預測未來的軌跡。

然而，當前基于前饋神經網絡的最先進方法無法完成這些任務。作者希望擁有一個理解社會互動的系統基準將刺激新的研究。

在物理環境中感知和推理社會互動的能力是人類社會智能和人機合作的核心。然而，之前的數據集或基準都沒有系統地評估過復雜社交互動的物理基礎感知，這些社交互動超越了短暫的動作(例如擊掌)或簡單的團體活動(例如聚會)。在這項工作中，我們創建了一個基于物理的抽象社交事件數據集 PHASE，它通過包含諸如幫助另一個代理之類的社會概念來類似于廣泛的現實生活中的社交互動。PHASE 由使用物理引擎和分層規劃器程序生成的連續空間中移動的成對代理的 2D 動畫組成。代理的視野有限，可以與多個對象進行交互，在具有多個地標和障礙物的環境中。使用 PHASE，我們設計了一個社會識別任務和一個社會預測任務。PHASE 已通過人體實驗進行驗證，證明人類在社會事件中感知到豐富的交互，并且模擬代理的行為與人類相似。作為基線模型，我們引入了貝葉斯逆向規劃方法 SIMPLE(模擬、規劃和局部估計)，其性能優于最先進的前饋神經網絡。我們希望 PHASE 可以成為開發能夠識別復雜社會交互的新模型的一項艱巨的新挑戰。PHASE 已通過人體實驗進行驗證，證明人類在社會事件中感知到豐富的交互，并且模擬代理的行為與人類相似。作為基線模型，我們引入了貝葉斯逆向規劃方法 SIMPLE(模擬、規劃和局部估計)，其性能優于最先進的前饋神經網絡。我們希望 PHASE 可以成為開發能夠識別復雜社會交互的新模型的一項艱巨的新挑戰。PHASE 已通過人體實驗進行驗證，證明人類在社會事件中感知到豐富的交互，并且模擬代理的行為與人類相似。作為基線模型，我們引入了貝葉斯逆向規劃方法 SIMPLE(模擬、規劃和局部估計)，其性能優于最先進的前饋神經網絡。我們希望 PHASE 可以成為開發能夠識別復雜社會交互的新模型的一項艱巨的新挑戰。