論文の概要: It Takes Two: Learning to Plan for Human-Robot Cooperative Carrying
- arxiv url: http://arxiv.org/abs/2209.12890v1
- Date: Mon, 26 Sep 2022 17:59:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 17:17:18.987787
- Title: It Takes Two: Learning to Plan for Human-Robot Cooperative Carrying
- Title（参考訳）: 人とロボットの協力関係を計画するための学習
- Authors: Eley Ng, Ziang Liu, Monroe Kennedy III
- Abstract要約: 本研究では,協調型ロボットチームにおけるテーブルキャリング作業における現実的な動作計画の予測手法を提案する。
変動リカレントニューラルネットワーク(VRNN)を用いて、時間とともに人間のロボットチームの軌道の変動をモデル化する。
本モデルでは, ベースライン型集中型サンプリングベースプランナに比べて, より人間的な動きを生成できることを示す。
- 参考スコア（独自算出の注目度）: 0.6981715773998527
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Collaborative table-carrying is a complex task due to the continuous nature
of the action and state-spaces, multimodality of strategies, existence of
obstacles in the environment, and the need for instantaneous adaptation to
other agents. In this work, we present a method for predicting realistic motion
plans for cooperative human-robot teams on a table-carrying task. Using a
Variational Recurrent Neural Network, VRNN, to model the variation in the
trajectory of a human-robot team over time, we are able to capture the
distribution over the team's future states while leveraging information from
interaction history. The key to our approach is in our model's ability to
leverage human demonstration data and generate trajectories that synergize well
with humans during test time. We show that the model generates more human-like
motion compared to a baseline, centralized sampling-based planner,
Rapidly-exploring Random Trees (RRT). Furthermore, we evaluate the VRNN planner
with a human partner and show its ability to both generate more human-like
paths and achieve higher task success rate than RRT can while planning with a
human. Finally, we demonstrate that a LoCoBot using the VRNN planner can
complete the task successfully with a human controlling another LoCoBot.
- Abstract（参考訳）: 協調型テーブルキャリングは、アクションと状態空間の連続的な性質、戦略のマルチモーダル性、環境における障害物の存在、および他のエージェントへの即時適応の必要性による複雑なタスクである。
そこで本研究では,協調ロボットチームにおける現実的な動作計画の予測手法を提案する。
変動リカレントニューラルネットワーク(VRNN)を用いて、人間-ロボットチームの軌道の変動を時間とともにモデル化し、インタラクション履歴からの情報を活用しながら、チームの将来の状態の分布をキャプチャすることができる。
このアプローチの鍵は、人間のデモデータを活用して、テスト期間中に人間とうまく相乗する軌道を生成する、私たちのモデルの能力にあります。
本モデルでは,ベースライン,サンプリングベースプランナー,高速探索ランダムツリー(rrt)と比較して,より人間的な動作を生成する。
さらに,人間のパートナーによるVRNNプランナの評価を行い,人間に近いパスを生成できると同時に,人間との計画においてRTよりも高いタスク成功率を達成する能力を示した。
最後に、VRNNプランナを使用したLoCoBotが、人間が別のLoCoBotを制御することで、タスクを正常に完了できることを実証する。
関連論文リスト
- PARTNR: A Benchmark for Planning and Reasoning in Embodied Multi-agent Tasks [57.89516354418451]
我々は,HumaN-Robotコラボレーション(PARTNR)における計画と推論タスクのベンチマークを示す。
大規模言語モデル(LLM)を用いた半自動タスク生成パイプラインを用いる。
我々は、計画、知覚、スキル実行の軸を越えて、PartinNRタスクにおける最先端のLCMを分析します。
論文 参考訳（メタデータ） (2024-10-31T17:53:12Z) - Grounding Language Models in Autonomous Loco-manipulation Tasks [3.8363685417355557]
異なるシナリオにおけるタスクに基づいて行動を学び、選択し、計画する新しいフレームワークを提案する。
我々は,大規模言語モデル(LLM)の計画と推論機能を活用し,階層的なタスクグラフを構築する。
CENTAUROロボットを用いたシミュレーションおよび実世界の実験により、言語モデルに基づくプランナーが、新しいロコ操作タスクに効率的に適応できることが示されている。
論文 参考訳（メタデータ） (2024-09-02T15:27:48Z) - Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
論文 参考訳（メタデータ） (2024-01-22T18:58:22Z) - 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) - Achieving mouse-level strategic evasion performance using real-time
computational planning [59.60094442546867]
計画とは、脳が想像し、予測可能な未来を成立させる特別な能力である。
我々は,動物の生態が空間計画の価値をどのように支配するかという研究に基づいて,より効率的な生物学的に着想を得た計画アルゴリズムであるTLPPOを開発した。
TLPPOを用いたリアルタイムエージェントの性能とライブマウスの性能を比較し,ロボット捕食者を避けることを課題とする。
論文 参考訳（メタデータ） (2022-11-04T18:34:36Z) - MILD: Multimodal Interactive Latent Dynamics for Learning Human-Robot
Interaction [34.978017200500005]
我々は,HRI(Human-Robot Interactions)の問題に対処するために,MILD(Multimodal Interactive Latent Dynamics)を提案する。
変分オートエンコーダ(VAE)の潜時空間における相互作用エージェントの結合分布をモデル化するために,Hidden Semi-Markov Models (HSMMs) を用いて実演から相互作用ダイナミクスを学習する。
MILDは、観察されたエージェント(人間の)軌道に条件付けされたときに、制御されたエージェント(ロボット)に対してより正確な軌道を生成する。
論文 参考訳（メタデータ） (2022-10-22T11:25:11Z) - Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。
本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。
ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
論文 参考訳（メタデータ） (2022-03-31T23:08:20Z) - 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) - Learning Interaction-Aware Trajectory Predictions for Decentralized
Multi-Robot Motion Planning in Dynamic Environments [10.345048137438623]
本稿では、リカレントニューラルネットワーク(RNN)に基づく新しい軌道予測モデルを提案する。
次に,軌道予測モデルをマルチロボット衝突回避のための分散モデル予測制御(MPC)フレームワークに組み込む。
論文 参考訳（メタデータ） (2021-02-10T11:11:08Z) - Leveraging Neural Network Gradients within Trajectory Optimization for
Proactive Human-Robot Interactions [32.57882479132015]
本稿では, トラジェクトリ最適化(TO)の解釈可能性と柔軟性を, 最先端の人間のトラジェクトリ予測モデルの予測能力と融合する枠組みを提案する。
我々は,最大10人の歩行者の群集を安全に効率的に移動させるロボットを必要とするマルチエージェントシナリオにおいて,我々のアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-12-02T08:43:36Z) - Modeling Human Temporal Uncertainty in Human-Agent Teams [0.0]
本稿では,集団労働者の集団から人的タイミングの不確実性のモデルを構築した。
重み付き分布は人間の時間的不確実性の最良のモデルであると結論付けている。
我々は,これらの結果と協調的なオンラインゲームが,ロボットの流速を改善するためのスケジューリングの今後の探索にどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2020-10-09T23:43:59Z)
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。