Resumen

El reconocimiento de intenciones es significativo en muchas aplicaciones. En este artículo, nos enfocamos en el reconocimiento de intenciones de equipo, que identifica la intención de cada miembro del equipo y el modo de trabajo del equipo. Para modelar la intención del equipo, así como el estado del mundo y la observación, proponemos un Modelo Semimarcoviano Oculto Jerárquico Lógico (LHHSMM), que tiene ventajas para realizar aprendizaje relacional estadístico y puede presentar una misión compleja jerárquicamente. Además, el LHHSMM modela explícitamente la duración del modo de trabajo del equipo, la terminación de la intención y las relaciones entre el estado del mundo y la observación. También se diseña un algoritmo de Filtro de Partículas Lógico (LPF) para inferir las intenciones del equipo modeladas por el LHHSMM. En experimentos, simulamos movimientos de agentes en un campo de combate y empleamos trazas de agentes para evaluar el rendimiento del LHHSMM y LPF. Los resultados indican que el modo

• Materias:Ecuaciones en diferencias Ecuación unidimensional Filtrado de información Prevención de interbloqueos Sistemas estocásticos
• Subjects:Difference equations One-dimensional equation Information filtering Interlock prevention Stochastic systems
• Palabras claves:Reconocimiento de intención; Intención de equipo; LHHSMM; Modo de trabajo en equipo; Filtro de Partículas Lógico; Duración del modo de trabajo en equipo
• Keywords:Intention recognition; Team intention; LHHSMM; Team working mode; Logical Particle Filter; Team working mode duration