論文の概要: Learning and Blending Robot Hugging Behaviors in Time and Space

• arxiv url: http://arxiv.org/abs/2212.01507v1
• Date: Sat, 3 Dec 2022 02:00:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 16:03:17.903964
• Title: Learning and Blending Robot Hugging Behaviors in Time and Space
• Title（参考訳）: 時間と空間におけるロボットのハグ動作の学習
• Authors: Michael Drolet, Joseph Campbell, Heni Ben Amor
• Abstract要約: 複数の相互作用の重畳を含む複雑な相互作用において、適切なロボット応答を予測できる模倣学習に基づく物理ロボットインタラクションアルゴリズムを提案する。 このアルゴリズムは先行研究の一般化であり、元の定式化は単一相互作用の特定のケースに還元されることを示す。 提案アルゴリズムは,既存の最先端手法と比較して,精度,応答性,タイミングに関して,定量的な予測誤差と,より良好な参加者応答が得られる。
• 参考スコア（独自算出の注目度）: 10.768457629614492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce an imitation learning-based physical human-robot interaction algorithm capable of predicting appropriate robot responses in complex interactions involving a superposition of multiple interactions. Our proposed algorithm, Blending Bayesian Interaction Primitives (B-BIP) allows us to achieve responsive interactions in complex hugging scenarios, capable of reciprocating and adapting to a hugs motion and timing. We show that this algorithm is a generalization of prior work, for which the original formulation reduces to the particular case of a single interaction, and evaluate our method through both an extensive user study and empirical experiments. Our algorithm yields significantly better quantitative prediction error and more-favorable participant responses with respect to accuracy, responsiveness, and timing, when compared to existing state-of-the-art methods.
• Abstract（参考訳）: 複数の相互作用の重畳を含む複雑な相互作用において、適切なロボット応答を予測できる模倣学習に基づく物理ロボットインタラクションアルゴリズムを提案する。 提案するアルゴリズムはベイズ相互作用プリミティブ(b-bip)をブレンドすることで,複雑なハグシナリオにおいて応答性のあるインタラクションを実現する。 本手法は,先行研究の一般化であり,本手法は単一インタラクションの特定の場合に限定し,広範なユーザ実験と実験実験を通じて評価する。 本アルゴリズムは,既存の手法と比較して,精度,応答性,タイミングに関して,定量的予測誤差と好適な参加者応答を有意に改善する。

関連論文リスト

• Learning Manipulation by Predicting Interaction [85.57297574510507]
  本稿では,インタラクションを予測して操作を学習する一般的な事前学習パイプラインを提案する。 実験の結果,MPIは従来のロボットプラットフォームと比較して10%から64%向上していることがわかった。
  論文  参考訳（メタデータ） (2024-06-01T13:28:31Z)
• RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
  我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。 提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。 このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-21T21:05:21Z)
• Neural Amortized Inference for Nested Multi-agent Reasoning [54.39127942041582]
  本研究では,人間のような推論能力と計算限界のギャップを埋める新しい手法を提案する。 提案手法を2つの挑戦的マルチエージェント相互作用領域で評価する。
  論文  参考訳（メタデータ） (2023-08-21T22:40:36Z)
• Re-mine, Learn and Reason: Exploring the Cross-modal Semantic Correlations for Language-guided HOI detection [57.13665112065285]
  ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。 本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-25T14:20:52Z)
• Communication-Efficient Collaborative Best Arm Identification [6.861971769602314]
  エージェントが協調して目的関数を学習するマルチエージェント学習モデルにおいて,バンドイット理論の基本的な問題であるトップ・m$腕識別について検討する。 私たちは、最大限のスピードアップを達成するための協調学習アルゴリズムの設計に興味を持っています。
  論文  参考訳（メタデータ） (2022-08-18T19:02:29Z)
• Interaction Transformer for Human Reaction Generation [61.22481606720487]
  本稿では,時間的,空間的両方の注意を持つトランスフォーマーネットワークからなる対話型トランスフォーマー(InterFormer)を提案する。 我々の手法は一般的であり、より複雑で長期的な相互作用を生成するのに利用できる。
  論文  参考訳（メタデータ） (2022-07-04T19:30:41Z)
• Intuitive and Efficient Human-robot Collaboration via Real-time Approximate Bayesian Inference [4.310882094628194]
  コラボレーションロボットとエンドツーエンドAIは、工場や倉庫における人間のタスクの柔軟な自動化を約束する。 人間とコボットは互いに協力します。 これらのコラボレーションが効果的で安全であるためには、ロボットは人間の意図をモデル化し、予測し、活用する必要がある。
  論文  参考訳（メタデータ） (2022-05-17T23:04:44Z)
• Inference of time-ordered multibody interactions [0.8057006406834466]
  時間的および時間的依存関係を示す複雑なシステムと多体依存関係を記述するために、時間順の多体インタラクションを導入する。 本稿では,ノード状態のシステムレベルダイナミクスを捉えるデータから,これらの相互作用を抽出するアルゴリズムを提案する。 我々は,統計的誤差に対するアルゴリズムの頑健さと,擬似相互作用アンサンブルの推論におけるその効率を実験的に検証した。
  論文  参考訳（メタデータ） (2021-11-29T15:41:06Z)
• Distributed Bayesian Online Learning for Cooperative Manipulation [9.582645137247667]
  ベイズ原理を用いた協調操作の模範的タスクのための新しい分散学習フレームワークを提案する。 各エージェントは、局所状態情報のみを使用して、オブジェクトダイナミクスの推定を取得し、キネマティクスを把握する。 対象のダイナミクスと把持キネマティックスの各々の推定には不確実性の尺度が伴うため、高い確率で有界な予測誤差を保証できる。
  論文  参考訳（メタデータ） (2021-04-09T13:03:09Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• Towards Closing the Sim-to-Real Gap in Collaborative Multi-Robot Deep Reinforcement Learning [0.06554326244334865]
  分散マルチロボットシステムにおいて,マルチエージェント強化学習が現実とのギャップを埋める方法について分析する。 分散強化学習におけるセンサ,キャリブレーション,精度のミスマッチの効果について紹介する。 異なる種類の摂動と、それらの摂動を経験するエージェントの数の両方が協調学習活動にどのように影響するかについて論じる。
  論文  参考訳（メタデータ） (2020-08-18T11:57:33Z)

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。