arXiv cs.AI· Erik Bauer, Jakob Thumm, Christopher Agia, Rohan Sinha, Chen Xu, Haruki Nishimura, Jeannette Bohg, Marco Pavone, Masha Itkina·· 11 小时前AI 评分31
Behavior Graphs：用无监督图结构解读机器人部署数据
Behavior Graphs: Unsupervised Graph Structures for Interpreting Robot Deployment Data
AI 导读
研究者提出 behavior graphs，将策略 rollout 压缩为一张可解释的有向图，通过识别相似行为模式、按时间连接并关联结果来构建。在三个真实任务的用户研究中，18 名参与者有 16 人更偏好该图而非 rollout 视频，结论相当但感知时间需求低 40.3%、投入低 37.6%。在 43 个数据集上，其预测进度与真实时间顺序的秩相关提升 22.9%，平均绝对误差降低 53.5%。
正文 · AI 翻译
摘要：数据飞轮有望通过来自部署数据的洞见实现持续改进。理解已部署模型如何成功与失败，可以引导后续的数据收集去修补失败并强化成功。然而，机器人部署会产生大量高维的 rollout 数据，这些数据难以理解，也难以让数据收集决策有把握地建立在它们之上。为了让部署数据更易于分析和采取行动，我们提出了行为图（behavior graphs），它将策略 rollout 压缩为单个可解释的有向图。我们通过以下方式构建这些图：学习识别不同 rollout 中的相似行为模式，按时间顺序连接这些行为，最后将它们与结果关联起来。在一项针对三个真实世界任务的用户研究中，参与者分析 rollout 以选择数据收集策略，18 人中有 16 人更喜欢行为图而非 rollout 视频，他们得出了相当的结论，而感知时间需求降低了 40.3%，投入精力降低了 37.6%。除了对部署数据的可解释性之外，行为图还是有效的进度预测器：在 43 个数据集上，相对于最强的基线，它们将预测进度与真实时间顺序之间的秩相关性提高了 22.9%，并将平均绝对误差降低了 53.5%。随着部署机器人数量的增长，行为图为高维策略 rollout 提供了结构，并使部署数据更易于解释和推理。
| 评论： | 8 页，6 幅图，3 张表。项目网站：this https URL |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.00405 [cs.RO] |
| （或此版本的 arXiv:2611.00405v1 [cs.RO]） | |
| https://doi.org/10.48550/arXiv.2611.00405 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Erik Bauer [查看邮箱]
[v1]
2026 年 10 月 30 日星期五 21:51:01 UTC（2,030 KB）
来源：arXiv cs.AI · arxiv.org