論文の概要: Minimizing Robot Navigation-Graph For Position-Based Predictability By
Humans
- arxiv url: http://arxiv.org/abs/2010.15255v2
- Date: Tue, 11 Jan 2022 23:28:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 05:31:45.783994
- Title: Minimizing Robot Navigation-Graph For Position-Based Predictability By
Humans
- Title(参考訳): 人間による位置推定のためのロボットナビゲーショングラフの最小化
- Authors: Sriram Gopalakrishnan, Subbarao Kambhampati
- Abstract要約: 人間とロボットが同じ空間を移動しながら独自のタスクを遂行している状況では、予測可能な経路が不可欠である。
ロボットの数が増加するにつれて、人間がロボットの進路を予測するための認知的努力は不可能になる。
そこで本研究では,位置に基づく予測可能性のために,ロボットのナビゲーショングラフを最小化することを提案する。
- 参考スコア(独自算出の注目度): 20.13307800821161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In situations where humans and robots are moving in the same space whilst
performing their own tasks, predictable paths taken by mobile robots can not
only make the environment feel safer, but humans can also help with the
navigation in the space by avoiding path conflicts or not blocking the way. So
predictable paths become vital. The cognitive effort for the human to predict
the robot's path becomes untenable as the number of robots increases. As the
number of humans increase, it also makes it harder for the robots to move while
considering the motion of multiple humans. Additionally, if new people are
entering the space -- like in restaurants, banks, and hospitals -- they would
have less familiarity with the trajectories typically taken by the robots; this
further increases the needs for predictable robot motion along paths.
With this in mind, we propose to minimize the navigation-graph of the robot
for position-based predictability, which is predictability from just the
current position of the robot. This is important since the human cannot be
expected to keep track of the goals and prior actions of the robot in addition
to doing their own tasks. In this paper, we define measures for position-based
predictability, then present and evaluate a hill-climbing algorithm to minimize
the navigation-graph (directed graph) of robot motion. This is followed by the
results of our human-subject experiments which support our proposed
methodology.
- Abstract(参考訳): 人間とロボットが同じ空間で作業しながら移動している状況では、移動ロボットが捉えた予測可能な経路は環境をより安全に感じさせるだけでなく、人間が経路の衝突を避けたり、道を塞いだりすることで空間内のナビゲーションを助けることができる。
予測可能な経路が不可欠になります
ロボットの数が増えるにつれて、人間がロボットの経路を予測するための認知的努力は維持できなくなる。
人間の数が増えるにつれて、複数の人間の動きを考慮しながらロボットが動くのも難しくなる。
さらに、レストランや銀行、病院など、新しい人がこの分野に足を踏み入れると、ロボットが一般的に行う軌道への親密性が低下し、経路に沿って予測可能なロボットの動きの必要性がさらに高まる。
そこで本研究では,ロボットの現在位置からの予測可能性である位置に基づく予測可能性について,ロボットのナビゲーショングラフを最小化することを提案する。
これは、人間が自身の作業に加えて、ロボットの目標や以前の行動を追跡することは期待できないため、重要である。
本稿では,位置に基づく予測可能性の尺度を定義し,ロボットの動きのナビゲーショングラフ(方向グラフ)を最小化するためのヒルクライミングアルゴリズムの提案と評価を行う。
これに続いて,提案手法をサポートする人間-対象実験の結果が得られた。
関連論文リスト
- Using High-Level Patterns to Estimate How Humans Predict a Robot will Behave [13.794132035382269]
ロボットと対話する人間は、ロボットが次に何をするかを予測する。
我々は、ロボットが人間の行動を予測する方法を推定できる2階のマインド・アプローチを開発した。
論文 参考訳(メタデータ) (2024-09-20T14:23:05Z) - Know your limits! Optimize the robot's behavior through self-awareness [11.021217430606042]
最近の人間ロボット模倣アルゴリズムは、高精度な人間の動きを追従することに焦点を当てている。
本稿では,ロボットが参照を模倣する際の動作を予測できるディープラーニングモデルを提案する。
我々のSAW(Self-AWare Model)は、転倒確率、基準運動への固執、滑らかさといった様々な基準に基づいて、潜在的なロボットの挙動をランク付けする。
論文 参考訳(メタデータ) (2024-09-16T14:14:58Z) - ImitationNet: Unsupervised Human-to-Robot Motion Retargeting via Shared Latent Space [9.806227900768926]
本稿では,ロボットの動きに対する新しいディープラーニング手法を提案する。
本手法では,新しいロボットへの翻訳を容易にする,人間とロボットのペアデータを必要としない。
我々のモデルは、効率と精度の観点から、人間とロボットの類似性に関する既存の研究よりも優れています。
論文 参考訳(メタデータ) (2023-09-11T08:55:04Z) - SACSoN: Scalable Autonomous Control for Social Navigation [62.59274275261392]
我々は、社会的に邪魔にならないナビゲーションのための政策の訓練方法を開発した。
この反事実的摂動を最小化することにより、共有空間における人間の自然な振る舞いを変えない方法でロボットに行動を促すことができる。
屋内移動ロボットが人間の傍観者と対話する大規模なデータセットを収集する。
論文 参考訳(メタデータ) (2023-06-02T19:07:52Z) - HERD: Continuous Human-to-Robot Evolution for Learning from Human
Demonstration [57.045140028275036]
本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。
本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-08T15:56:13Z) - Robots with Different Embodiments Can Express and Influence Carefulness
in Object Manipulation [104.5440430194206]
本研究では,2つのロボットによるコミュニケーション意図による物体操作の知覚について検討する。
ロボットの動きを設計し,物体の搬送時に注意を喚起するか否かを判断した。
論文 参考訳(メタデータ) (2022-08-03T13:26:52Z) - Dense Crowd Flow-Informed Path Planning [24.849908664615104]
フローフィールド抽出と離散探索は、フローインフォームドパス計画を作成するために使用される。
FIPPを用いたロボットはゴールを素早く達成できただけでなく、従来の技術を用いたロボットよりも社会的に適合していることが判明した。
論文 参考訳(メタデータ) (2022-06-01T18:40:57Z) - REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy
Transfer [57.045140028275036]
本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。
模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。
本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
論文 参考訳(メタデータ) (2022-02-10T18:50:25Z) - Show Me What You Can Do: Capability Calibration on Reachable Workspace
for Human-Robot Collaboration [83.4081612443128]
本稿では,REMPを用いた短時間キャリブレーションにより,ロボットが到達できると考える非専門家と地道とのギャップを効果的に埋めることができることを示す。
この校正手順は,ユーザ認識の向上だけでなく,人間とロボットのコラボレーションの効率化にも寄与することを示す。
論文 参考訳(メタデータ) (2021-03-06T09:14:30Z) - Supportive Actions for Manipulation in Human-Robot Coworker Teams [15.978389978586414]
我々は、将来の干渉を減らすことで相互作用を支援する行動を、支援ロボット行動と表現する。
1)タスク指向: ロボットは自身のタスク目標をさらに進めるためにのみ行動を取るし、(2)支援的: ロボットはタスク指向のタスクよりも支援的行動を好む。
シミュレーション実験では, 人体モデルを用いて, エージェント間の干渉を軽減し, 作業の完了に要する時間が長いことを明らかにした。
論文 参考訳(メタデータ) (2020-05-02T09:37:10Z) - Human Grasp Classification for Reactive Human-to-Robot Handovers [50.91803283297065]
本稿では,ロボットが人間に遭遇するロボットのハンドオーバに対するアプローチを提案する。
対象物をさまざまな手形やポーズで保持する典型的な方法をカバーする,人間の把握データセットを収集する。
本稿では,検出した把握位置と手の位置に応じて人手から対象物を取り出す計画実行手法を提案する。
論文 参考訳(メタデータ) (2020-03-12T19:58:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。