論文の概要: Relevance for Human Robot Collaboration
- arxiv url: http://arxiv.org/abs/2409.07753v4
- Date: Thu, 17 Apr 2025 16:19:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-18 14:33:25.564210
- Title: Relevance for Human Robot Collaboration
- Title（参考訳）: 人間ロボットのコラボレーションの関連性
- Authors: Xiaotong Zhang, Dean Huang, Kamal Youcef-Toumi,
- Abstract要約: 本稿では,人間ロボットコラボレーション(HRC)のための新しい次元削減プロセスであるrelevanceを紹介する。
提案手法は,連続的に動作する知覚モジュールを組み込み,シーン内のキュー十分性を評価し,フレキシブルな定式化と計算の枠組みを適用する。
シミュレーションの結果,一般のHRCセットアップの妥当性を正確に予測する枠組みと方法論が示された。
- 参考スコア（独自算出の注目度）: 12.86974144498672
- License:
- Abstract: Inspired by the human ability to selectively focus on relevant information, this paper introduces relevance, a novel dimensionality reduction process for human-robot collaboration (HRC). Our approach incorporates a continuously operating perception module, evaluates cue sufficiency within the scene, and applies a flexible formulation and computation framework. To accurately and efficiently quantify relevance, we developed an event-based framework that maintains a continuous perception of the scene and selectively triggers relevance determination. Within this framework, we developed a probabilistic methodology, which considers various factors and is built on a novel structured scene representation. Simulation results demonstrate that the relevance framework and methodology accurately predict the relevance of a general HRC setup, achieving a precision of 0.99, a recall of 0.94, an F1 score of 0.96, and an object ratio of 0.94. Relevance can be broadly applied to several areas in HRC to accurately improve task planning time by 79.56% compared with pure planning for a cereal task, reduce perception latency by up to 26.53% for an object detector, improve HRC safety by up to 13.50% and reduce the number of inquiries for HRC by 80.84%. A real-world demonstration showcases the relevance framework's ability to intelligently and seamlessly assist humans in everyday tasks.
- Abstract（参考訳）: 本稿では,人間とロボットのコラボレーション(HRC)のための新しい次元化プロセスであるrelevanceを紹介する。
提案手法は,連続的に動作する知覚モジュールを組み込み,シーン内のキュー十分性を評価し,フレキシブルな定式化と計算の枠組みを適用する。
関連性を正確にかつ効率的に定量化するために,シーンの連続的な認識を維持し,関連判定を選択的にトリガーするイベントベースのフレームワークを開発した。
本研究では,様々な要因を考慮した確率論的手法を開発し,新しいシーン表現を構築した。
シミュレーションの結果、一般HRCセットアップの関連性を正確に予測し、精度0.99、リコール0.94、F1スコア0.96、オブジェクト比0.94を達成している。
HRCのいくつかの領域では、シリアルタスクの純粋な計画に比べてタスク計画時間を79.56%改善し、物体検出器の認識遅延を26.53%削減し、HRCの安全性を13.50%改善し、HRCの問い合わせ回数を80.84%削減する。
実世界のデモでは、人間を日常のタスクで知的かつシームレスに支援する関連フレームワークの能力が紹介されている。
関連論文リスト
- Uncertainty Aware Human-machine Collaboration in Camouflaged Object Detection [12.2304109417748]
信頼できるCODシステムの開発に向けた重要なステップは、不確実性の推定と有効利用である。
本研究では,カモフラージュされた物体の存在を分類するための人間と機械の協調フレームワークを提案する。
提案手法は,CVモデル予測の不確実性を推定するための多視点バックボーンを導入し,この不確実性を利用して効率を向上し,信頼性の低いケースを人体評価に適用する。
論文 参考訳（メタデータ） (2025-02-12T13:05:24Z) - 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) - Relevance-driven Decision Making for Safer and More Efficient Human Robot Collaboration [6.009969292588733]
我々は人間ロボットコラボレーション(HRC)に関する新しい概念を紹介した。
関連性は、人間の目的や他の要因に対する対象の適用性と関係性に基づく対象の重要性として定義される。
我々は、リアルタイムと非同期処理を統合した新しい2ループフレームワークを開発し、関連性を定量化し、より安全で効率的なHRCに適用した。
論文 参考訳（メタデータ） (2024-09-21T03:20:53Z) - Offline Risk-sensitive RL with Partial Observability to Enhance
Performance in Human-Robot Teaming [1.3980986259786223]
本稿では,モデルの不確実性を取り入れ,リスクに敏感なシーケンシャルな意思決定を可能にする手法を提案する。
シミュレーションロボット遠隔操作環境において,26名の被験者を対象に実験を行った。
論文 参考訳（メタデータ） (2024-02-08T14:27:34Z) - Provably Efficient Iterated CVaR Reinforcement Learning with Function
Approximation and Human Feedback [57.6775169085215]
リスクに敏感な強化学習は、期待される報酬とリスクのバランスをとるポリシーを最適化することを目的としている。
本稿では,線形および一般関数近似の下で,CVaR(Iterated Conditional Value-at-Risk)を目標とする新しいフレームワークを提案する。
本稿では,この反復CVaR RLに対するサンプル効率の高いアルゴリズムを提案し,厳密な理論的解析を行う。
論文 参考訳（メタデータ） (2023-07-06T08:14:54Z) - Rearrange Indoor Scenes for Human-Robot Co-Activity [82.22847163761969]
本稿では,室内家具を人間ロボットのコアクティビティを向上するために,室内家具の配置を最適化した枠組みを提案する。
提案アルゴリズムは,SUNCGとConceptNetから抽出した空間的・意味的共起情報を統合することにより,家具間の機能的関係を保っている。
実験の結果、アレンジされたシーンは平均して14%のスペースを提供し、30%以上のオブジェクトをやりとりできることがわかった。
論文 参考訳（メタデータ） (2023-03-10T03:03:32Z) - 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) - 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) - Learning to Plan Optimistically: Uncertainty-Guided Deep Exploration via
Latent Model Ensembles [73.15950858151594]
本稿では,不確実な長期報酬に直面した最適化による深層探査を可能にするLOVE(Latent Optimistic Value Exploration)を提案する。
潜在世界モデルと値関数推定を組み合わせ、無限水平リターンを予測し、アンサンブルにより関連する不確実性を回復する。
連続行動空間における視覚ロボット制御タスクにLOVEを適用し、最先端や他の探査目標と比較して、平均20%以上のサンプル効率の改善を実証する。
論文 参考訳（メタデータ） (2020-10-27T22:06:57Z) - Attention-Oriented Action Recognition for Real-Time Human-Robot
Interaction [11.285529781751984]
本稿では,リアルタイムインタラクションの必要性に応えるために,アテンション指向のマルチレベルネットワークフレームワークを提案する。
具体的には、プレアテンションネットワークを使用して、低解像度でシーン内のインタラクションに大まかにフォーカスする。
他のコンパクトCNNは、抽出されたスケルトンシーケンスをアクション認識用の入力として受信する。
論文 参考訳（メタデータ） (2020-07-02T12:41:28Z)
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。