Combating Spatial Disorientation in a Dynamic Self-Stabilization Task Using AI Assistants
作者: Sheikh Mannan, Paige Hansen, Vivekanand Pandey Vimal, Hannah N. Davies, Paul DiZio, Nikhil Krishnaswamy
分类: cs.HC, cs.AI, cs.LG, cs.MA, cs.RO
发布日期: 2024-09-09
备注: 10 pages, To be published in the International Conference on Human-Agent Interaction (HAI '24) proceedings
💡 一句话要点
利用AI助手缓解动态自稳定任务中的空间定向障碍
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 空间定向障碍 AI助手 数字孪生 强化学习 人机协同
📋 核心要点
- 空间定向障碍是飞行事故的重要原因，现有方法难以有效解决飞行员在复杂环境下的定向问题。
- 论文提出利用AI助手，通过数字孪生模拟不同水平飞行员，并训练强化学习模型提供纠正提示，辅助飞行员保持平衡。
- 实验表明，某些AI助手能有效提升人类在虚拟倒立摆任务中的表现，但人类对不同类型AI助手的信任度和偏好存在差异。
📝 摘要（中文）
空间定向障碍是导致致命飞行事故的主要原因之一。本文探讨了AI智能体在辅助飞行员保持平衡和防止不可挽回的失控方面的潜力，通过提供提示和纠正措施来缓解空间定向障碍。使用多轴旋转系统（MARS）收集人类受试者在太空飞行模拟条件下进行自平衡的数据。我们基于这些数据训练模型，创建了“数字孪生”，模拟了不同熟练程度的人类表现特征。然后，我们训练了各种强化学习和深度学习模型，以便在预测到失控时提供纠正提示。数字孪生和辅助模型共同执行了一个具有相同物理特性的虚拟倒立摆（VIP）任务。通过这些模拟，我们根据崩溃频率和与平衡方向的平均距离等任务指标，选择了5个表现最佳的助手。这些助手被用于与20名新的人类受试者共同执行VIP任务，该任务降低了空间信息。结果表明，某些AI助手能够提高人类的表现，并且基于强化学习的助手在客观上更有效，但人类对其信任度较低，偏好度也较低。
🔬 方法详解
问题定义：论文旨在解决飞行员在飞行过程中因空间定向障碍而导致的失控问题。现有方法在复杂动态环境下难以提供及时有效的辅助，导致事故发生率居高不下。
核心思路：论文的核心思路是构建AI助手，该助手能够通过学习人类飞行员的行为模式，预测潜在的失控风险，并提供相应的纠正提示。这种方法旨在弥补人类飞行员在空间感知方面的不足，提高飞行安全性。
技术框架：整体框架包括以下几个主要模块：1) 数据采集：使用多轴旋转系统（MARS）收集人类受试者在模拟飞行环境下的平衡数据。2) 数字孪生构建：基于采集的数据训练模型，创建不同熟练程度飞行员的“数字孪生”。3) AI助手训练：训练强化学习和深度学习模型，使其能够根据数字孪生的状态提供纠正提示。4) 虚拟环境测试：将数字孪生和AI助手置于虚拟倒立摆（VIP）环境中进行协同测试。5) 人机协同实验：将表现最佳的AI助手与人类受试者共同执行VIP任务，评估AI助手的实际效果。
关键创新：论文的关键创新在于将数字孪生技术与强化学习相结合，构建能够个性化辅助飞行员的AI助手。通过数字孪生模拟不同水平的飞行员，使得AI助手能够学习到更具针对性的纠正策略。此外，论文还关注了人机交互中的信任问题，评估了不同类型AI助手对人类信任度的影响。
关键设计：在AI助手训练方面，论文采用了强化学习和深度学习两种方法。具体的技术细节包括：选择合适的强化学习算法（例如，Q-learning、SARSA等），设计奖励函数以鼓励AI助手提供有效的纠正提示，以及选择合适的深度学习网络结构（例如，循环神经网络、卷积神经网络等）来处理时序数据。此外，论文还关注了AI助手的可解释性，以便提高人类对其的信任度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，某些AI助手能够显著提高人类在虚拟倒立摆任务中的表现。具体来说，基于强化学习的AI助手在客观指标（如崩溃频率和与平衡方向的平均距离）上表现更佳，但人类受试者对其信任度较低，更倾向于选择其他类型的AI助手。这一发现强调了人机交互中信任的重要性。
🎯 应用场景
该研究成果可应用于飞行员训练、飞行辅助系统开发以及其他需要空间定向和平衡控制的领域，如虚拟现实、游戏和康复医学。通过AI助手提供个性化的辅助，可以提高飞行员的技能水平，降低事故风险，并改善用户体验。
📄 摘要（原文）
Spatial disorientation is a leading cause of fatal aircraft accidents. This paper explores the potential of AI agents to aid pilots in maintaining balance and preventing unrecoverable losses of control by offering cues and corrective measures that ameliorate spatial disorientation. A multi-axis rotation system (MARS) was used to gather data from human subjects self-balancing in a spaceflight analog condition. We trained models over this data to create "digital twins" that exemplified performance characteristics of humans with different proficiency levels. We then trained various reinforcement learning and deep learning models to offer corrective cues if loss of control is predicted. Digital twins and assistant models then co-performed a virtual inverted pendulum (VIP) programmed with identical physics. From these simulations, we picked the 5 best-performing assistants based on task metrics such as crash frequency and mean distance from the direction of balance. These were used in a co-performance study with 20 new human subjects performing a version of the VIP task with degraded spatial information. We show that certain AI assistants were able to improve human performance and that reinforcement-learning based assistants were objectively more effective but rated as less trusted and preferable by humans.