論文の概要: Efficient Causal Discovery for Robotics Applications
- arxiv url: http://arxiv.org/abs/2310.14925v2
- Date: Tue, 24 Oct 2023 08:51:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 11:12:38.388564
- Title: Efficient Causal Discovery for Robotics Applications
- Title(参考訳): ロボット応用のための効率的な因果発見
- Authors: Luca Castri, Sariah Mghames, Nicola Bellotto
- Abstract要約: 我々は,F-PCMCI(F-PCMCI)と呼ばれる高速かつ正確な因果解析のためのアプローチの実例を示す。
提案したアプリケーションは,F-PCMCIが人間とロボットの相互作用シナリオの因果モデルを正確にかつ迅速に再構築できることを示す。
- 参考スコア(独自算出の注目度): 2.1244188321694146
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Using robots for automating tasks in environments shared with humans, such as
warehouses, shopping centres, or hospitals, requires these robots to comprehend
the fundamental physical interactions among nearby agents and objects.
Specifically, creating models to represent cause-and-effect relationships among
these elements can aid in predicting unforeseen human behaviours and anticipate
the outcome of particular robot actions. To be suitable for robots, causal
analysis must be both fast and accurate, meeting real-time demands and the
limited computational resources typical in most robotics applications. In this
paper, we present a practical demonstration of our approach for fast and
accurate causal analysis, known as Filtered PCMCI (F-PCMCI), along with a
real-world robotics application. The provided application illustrates how our
F-PCMCI can accurately and promptly reconstruct the causal model of a
human-robot interaction scenario, which can then be leveraged to enhance the
quality of the interaction.
- Abstract(参考訳): 倉庫やショッピングセンター、病院など、人間と共有される環境でタスクを自動化するロボットは、近くのエージェントやオブジェクト間の基本的な物理的相互作用を理解する必要がある。
特に、これらの要素間の因果関係を表現するモデルを作成することは、予期せぬ人間の行動を予測し、特定のロボット行動の結果を予測するのに役立つ。
ロボットに適合するためには、因果解析は高速かつ正確で、リアルタイムの要求を満たすことと、ほとんどのロボティクスアプリケーションで典型的な限られた計算資源を必要とする。
本稿では,F-PCMCI(F-PCMCI)と呼ばれる高速かつ正確な因果解析のためのアプローチと,実世界のロボット工学応用の実践例を示す。
提案したアプリケーションは,F-PCMCIが人間とロボットのインタラクションシナリオの因果モデルを正確にかつ迅速に再構築し,インタラクションの質を高めるために利用することができることを示す。
関連論文リスト
- ROS-Causal: A ROS-based Causal Analysis Framework for Human-Robot
Interaction Applications [4.143953684726425]
本稿では,人間とロボットの空間的相互作用における因果発見の枠組みであるROS-Causalを紹介する。
ROSと統合されたアドホックシミュレータは、アプローチの有効性を示している。
論文 参考訳(メタデータ) (2024-02-25T11:37:23Z) - RoboScript: Code Generation for Free-Form Manipulation Tasks across Real
and Simulation [77.41969287400977]
本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。
自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。
我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
論文 参考訳(メタデータ) (2024-02-22T15:12:00Z) - Robot Interaction Behavior Generation based on Social Motion Forecasting
for Human-Robot Interaction [11.021217430606042]
本稿では,共有ロボット表現空間における社会的動き予測のモデル化を提案する。
ECHOは上記の共有空間で活動し、社会的シナリオで遭遇したエージェントの将来の動きを予測する。
我々は,多対人動作予測タスクにおけるモデルの評価を行い,最先端の性能を大きなマージンで獲得する。
論文 参考訳(メタデータ) (2024-02-07T11:37:14Z) - Towards a Causal Probabilistic Framework for Prediction,
Action-Selection & Explanations for Robot Block-Stacking Tasks [4.244706520140677]
因果モデル(英: Causal model)は、ロボットの環境との相互作用を管理する因果関係の形式的知識を符号化する原則的な枠組みを提供する。
本研究では,物理シミュレーション機能を構造因果モデルに組み込むことで,ロボットがブロックスタッキングタスクの現況を認識・評価できる新しい因果確率的枠組みを提案する。
論文 参考訳(メタデータ) (2023-08-11T15:58:15Z) - Improving safety in physical human-robot collaboration via deep metric
learning [36.28667896565093]
柔軟な生産シナリオでは、ロボットとの直接の物理的相互作用がますます重要になっている。
リスクポテンシャルを低く抑えるため、物理的な接触がある場合や安全距離に違反する場合など、比較的簡単な操作措置が定められている。
この研究はDeep Metric Learning(DML)アプローチを用いて、非接触ロボットの動き、物理的人間とロボットの相互作用を目的とした意図的な接触、衝突状況の区別を行う。
論文 参考訳(メタデータ) (2023-02-23T11:26:51Z) - Causal Discovery of Dynamic Models for Predicting Human Spatial
Interactions [5.742409080817885]
本稿では,人間とロボットの空間的相互作用をモデル化するための因果探索手法を提案する。
最先端の因果探索アルゴリズムを初めて活用するために、新しい方法と実用的な解決策について議論する。
論文 参考訳(メタデータ) (2022-10-29T08:56:48Z) - 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) - Spatial Computing and Intuitive Interaction: Bringing Mixed Reality and
Robotics Together [68.44697646919515]
本稿では,空間コンピューティングを応用し,新しいロボットのユースケースを実現するためのロボットシステムについて述べる。
空間コンピューティングとエゴセントリックな感覚を複合現実感デバイスに組み合わせることで、人間の行動をキャプチャして理解し、それらを空間的な意味を持つ行動に変換することができる。
論文 参考訳(メタデータ) (2022-02-03T10:04:26Z) - Human-Robot Collaboration and Machine Learning: A Systematic Review of
Recent Research [69.48907856390834]
人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。
本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
論文 参考訳(メタデータ) (2021-10-14T15:14:33Z) - 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) - SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。
部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
論文 参考訳(メタデータ) (2020-03-19T00:11:34Z)
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。