Key points are not available for this paper at this time.
Neste artigo, usamos um Modelo Hierárquico de Markov Oculto (HHMM) para representar e aprender atividades/tarefas complexas realizadas por humanos/robôs na vida cotidiana. Primitivas de ação são usadas como uma gramática para representar o comportamento humano complexo e aprender as interações e comportamentos de humanos/robôs com diferentes objetos. A principal contribuição é o uso de um modelo probabilístico capaz de representar comportamentos em múltiplos níveis de abstração para apoiar a hipótese proposta. A natureza hierárquica do modelo permite a decomposição da tarefa complexa em primitivas de ação simples. A estrutura é avaliada com dados coletados para tarefas de importância cotidiana realizadas por um usuário humano.
Patel et al. (Quarta,) estudaram essa questão.