测量黑匣子预测算法中变量重要性的最流行方法是利用合成输入，这些输入结合了来自多个受试者的预测变量。这些输入可能是不可能的，身体上不可能的，甚至在逻辑上是不可能的。结果，对这种情况的预测可以基于数据，这与对黑匣子的训练非常不同。我们认为，当解释使用此类值时，用户不能相信预测算法的决定的解释。取而代之的是，我们主张一种称为同类沙普利的方法，该方法基于经济游戏理论，与大多数其他游戏理论方法不同，它仅使用实际观察到的数据来量化可变重要性。莎普利队的同伙通过缩小判断的主题的缩小，被认为与一个或多个功能上的目标主题相似。如果使用它来缩小队列对队列平均值有很大的不同，则功能很重要。我们在算法公平问题上进行了说明，其中必须将重要性归因于未经训练模型的保护变量。对于每个主题和每个预测变量，我们可以计算该预测因子对受试者的预测响应或对其实际响应的重要性。这些值可以汇总，例如在所有黑色受试者上，我们提出了一个贝叶斯引导程序来量化个人和骨料莎普利值的不确定性。

可解释的AI（XAI）的基本任务是确定黑匣子功能$ f $做出的预测背后的最重要功能。 Petsiuk等人的插入和缺失测试。 （2018年）用于判断从最重要的对分类至最不重要的算法的质量。在回归问题的激励下，我们在曲线标准（AUC）标准下建立了一个公式，就$ f $的锚定分解中的某些主要效果和相互作用而言。我们找到了在输入到$ f $的随机排序下AUC的期望值的表达式，并提出了回归设置的直线上方的替代区域。我们使用此标准将集成梯度（IG）计算出的特征与内核Shap（KS）以及石灰，DeepLift，Vanilla梯度和输入$ \ times $ \ times $梯度方法进行比较。 KS在我们考虑的两个数据集中具有最好的总体性能，但是计算非常昂贵。我们发现IG几乎和KS一样好，同时更快。我们的比较问题包括一些对IG构成挑战的二进制输入，因为它必须使用可能的变量级别之间的值，因此我们考虑处理IG中二进制变量的方法。我们表明，通过其shapley值进行排序变量并不一定给出插入插入测试的最佳排序。但是，对于加性模型的单调函数（例如逻辑回归），它将做到这一点。

Humans have internal models of robots (like their physical capabilities), the world (like what will happen next), and their tasks (like a preferred goal). However, human internal models are not always perfect: for example, it is easy to underestimate a robot's inertia. Nevertheless, these models change and improve over time as humans gather more experience. Interestingly, robot actions influence what this experience is, and therefore influence how people's internal models change. In this work we take a step towards enabling robots to understand the influence they have, leverage it to better assist people, and help human models more quickly align with reality. Our key idea is to model the human's learning as a nonlinear dynamical system which evolves the human's internal model given new observations. We formulate a novel optimization problem to infer the human's learning dynamics from demonstrations that naturally exhibit human learning. We then formalize how robots can influence human learning by embedding the human's learning dynamics model into the robot planning problem. Although our formulations provide concrete problem statements, they are intractable to solve in full generality. We contribute an approximation that sacrifices the complexity of the human internal models we can represent, but enables robots to learn the nonlinear dynamics of these internal models. We evaluate our inference and planning methods in a suite of simulated environments and an in-person user study, where a 7DOF robotic arm teaches participants to be better teleoperators. While influencing human learning remains an open problem, our results demonstrate that this influence is possible and can be helpful in real human-robot interaction.

Continuous formulations of trajectory planning problems have two main benefits. First, constraints are guaranteed to be satisfied at all times. Secondly, dynamic obstacles can be naturally considered with time. This paper introduces a novel B-spline based trajectory optimization method for multi-jointed robots that provides a continuous trajectory with guaranteed continuous constraints satisfaction. At the core of this method, B-spline basic operations, like addition, multiplication, and derivative, are rigorously defined and applied for problem formulation. B-spline unique characteristics, such as the convex hull and smooth curves properties, are utilized to reformulate the original continuous optimization problem into a finite-dimensional problem. Collision avoidance with static obstacles is achieved using the signed distance field, while that with dynamic obstacles is accomplished via constructing time-varying separating hyperplanes. Simulation results on various robots validate the effectiveness of the algorithm. In addition, this paper provides experimental validations with a 6-link FANUC robot avoiding static and moving obstacles.

Learning generalizable insertion skills in a data-efficient manner has long been a challenge in the robot learning community. While the current state-of-the-art methods with reinforcement learning (RL) show promising performance in acquiring manipulation skills, the algorithms are data-hungry and hard to generalize. To overcome the issues, in this paper we present Prim-LAfD, a simple yet effective framework to learn and adapt primitive-based insertion skills from demonstrations. Prim-LAfD utilizes black-box function optimization to learn and adapt the primitive parameters leveraging prior experiences. Human demonstrations are modeled as dense rewards guiding parameter learning. We validate the effectiveness of the proposed method on eight peg-hole and connector-socket insertion tasks. The experimental results show that our proposed framework takes less than one hour to acquire the insertion skills and as few as fifteen minutes to adapt to an unseen insertion task on a physical robot.

利用多模式融合，尤其是在摄像头和激光雷达之间，对于为自动驾驶汽车构建准确且健壮的3D对象检测系统已经至关重要。直到最近，点装饰方法（在该点云中都用相机功能增强，一直是该领域的主要方法。但是，这些方法无法利用来自相机的较高分辨率图像。还提出了最近将摄像头功能投射到鸟类视图（BEV）融合空间的作品，但是它们需要预计数百万像素，其中大多数仅包含背景信息。在这项工作中，我们提出了一种新颖的方法中心功能融合（CFF），其中我们利用相机和激光雷达中心的基于中心的检测网络来识别相关对象位置。然后，我们使用基于中心的检测来识别与对象位置相关的像素功能的位置，这是图像中总数的一小部分。然后将它们投射并融合在BEV框架中。在Nuscenes数据集上，我们的表现优于仅限激光雷达基线的4.9％地图，同时比其他融合方法融合了100倍。

操纵可变形的线性对象（DLOS）在有障碍的受约束环境中实现所需的形状是一项有意义但具有挑战性的任务。对于这项高度约束的任务是必要的；但是，由于规划人员的可变形性质，计划人员需要的准确模型很难获得，并且不可避免的建模错误会显着影响计划结果，如果机器人只是以开环的方式执行计划的路径，则可能导致任务失败。在本文中，我们提出了一个粗到精细的框架，以结合全球计划和局部控制，以进行双臂操纵DLO，能够精确实现所需的配置并避免DLO，机器人和障碍物之间的潜在碰撞。具体而言，全球规划师是指一个简单而有效的DLO能量模型，并计算出一条粗略的途径，以确保任务的可行性。然后，本地控制器遵循该路径作为指导，并通过闭环反馈进一步塑造它，以补偿计划错误并保证任务的准确性。仿真和现实世界实验都表明，我们的框架可以在使用不精确的DLO模型的受约束环境中稳健地实现所需的DLO配置。仅通过计划或控制就无法可靠地实现。

模拟在有效评估自动驾驶汽车方面发挥了重要作用。现有方法主要依赖于基于启发式的模拟，在该模拟中，交通参与者遵循某些无法产生复杂人类行为的人类编码的规则。因此，提出了反应性仿真概念，以通过利用现实世界数据来弥合模拟和现实世界交通情况之间的人类行为差距。但是，这些反应性模型可以在模拟几个步骤后轻松地产生不合理的行为，我们将模型视为失去其稳定性。据我们所知，没有任何工作明确讨论并分析了反应性仿真框架的稳定性。在本文中，我们旨在对反应性模拟进行彻底的稳定性分析，并提出一种增强稳定性的解决方案。具体而言，我们首先提出了一个新的反应模拟框架，在其中我们发现模拟状态序列的平滑度和一致性是稳定性的关键因素。然后，我们将运动学媒介物模型纳入框架中，以提高反应性模拟的闭环稳定性。此外，在本文中提出了一些新颖的指标，以更好地分析模拟性能。

本文介绍了一个开源Python工具箱，称为“集合功能重要性（EFI）”，以提供机器学习（ML）研究人员，领域专家和决策者，具有强大而准确的功能重要性的重要性量化，以及更可靠的机械解释，对使用预测问题的特征的重要性更重要模糊集。该工具包的开发是为了解决特征重要性量化的不确定性，并且由于机器学习算法的多样性，重要性计算方法和数据集依赖性而缺乏可信赖的特征重要性解释。 EFI使用数据自举和决策融合技术（例如平均值，多数投票和模糊逻辑）与多个机器学习模型合并了不同的特征重要性计算方法。 EFI工具箱的主要属性是：（i）ML算法的自动优化，（ii）从优化的ML算法和功能重要性计算技术中自动计算一组功能重要性系数，（iii）使用多个重要性系数的自动汇总决策融合技术和（iv）模糊成员资格功能，显示了每个功能对预测任务的重要性。描述了工具箱的关键模块和功能，并使用流行的IRIS数据集提供了其应用程序的简单示例。

轨迹预测是自动驾驶汽车的重要任务之一。机器学习的最新进展使一系列高级轨迹预测算法。最近，许多研究人员证明了使用图形神经网络（GNN）进行轨迹预测的矢量化表示的有效性。但是，这些算法要么很少关注模型在各种情况下的推广性，要么只是假设培训和测试数据遵循类似的统计数据。实际上，当测试场景是看不见的或分布不足（OOD）时，由此产生的火车测试域转移通常会导致预测性能的显着降解，这将影响下游模块并最终导致严重的事故。因此，重要的是要彻底研究预测模型的概括性，这不仅可以帮助识别其弱点，而且还提供了有关如何改善这些模型的见解。本文提出了使用功能归因方法来帮助解释黑框模型的概括分析框架。对于案例研究，我们对利用矢量化表示的基于图形的最先进的轨迹预测指标提供了深入的概括分析。结果表明，由于域的转移而导致的性能降低，功能归因提供了见解，以识别这些问题的潜在原因。最后，我们得出结论的共同预测挑战以及训练过程引起的加权偏见如何恶化准确性。