論文の概要: Relevance-driven Decision Making for Safer and More Efficient Human Robot Collaboration

• arxiv url: http://arxiv.org/abs/2409.13998v2
• Date: Fri, 18 Apr 2025 18:40:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 13:11:26.85775
• Title: Relevance-driven Decision Making for Safer and More Efficient Human Robot Collaboration
• Title（参考訳）: 安全で効率的なロボット協調のための関連性駆動型意思決定
• Authors: Xiaotong Zhang, Dingcheng Huang, Kamal Youcef-Toumi,
• Abstract要約: 人-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する。 関連性(Relevance)とは、連続的に動作する知覚モジュールを組み込んだ次元還元プロセスである。 本稿では,リアルタイム処理と非同期処理を統合し,関連性を定量化する2ループフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.009969292588733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human brain possesses the ability to effectively focus on important environmental components, which enhances perception, learning, reasoning, and decision-making. Inspired by this cognitive mechanism, we introduced a novel concept termed relevance for Human-Robot Collaboration (HRC). Relevance is a dimensionality reduction process that incorporates a continuously operating perception module, evaluates cue sufficiency within the scene, and applies a flexible formulation and computation framework. In this paper, we present an enhanced two-loop framework that integrates real-time and asynchronous processing to quantify relevance and leverage it for safer and more efficient human-robot collaboration (HRC). The two-loop framework integrates an asynchronous loop, which leverages LLM world knowledge to quantify relevance, and a real-time loop, which performs scene understanding, human intent prediction, and decision-making based on relevance. HRC decision-making is enhanced by a relevance-based task allocation method, as well as a motion generation and collision avoidance approach that incorporates human trajectory prediction. Simulations and experiments show that our methodology for relevance quantification can accurately and robustly predict the human objective and relevance, with an average accuracy of up to 0.90 for objective prediction and up to 0.96 for relevance prediction. Moreover, our motion generation methodology reduces collision cases by 63.76% and collision frames by 44.74% when compared with a state-of-the-art (SOTA) collision avoidance method. Our framework and methodologies, with relevance, guide the robot on how to best assist humans and generate safer and more efficient actions for HRC.
• Abstract（参考訳）: 人間の脳は、知覚、学習、推論、意思決定を強化する重要な環境要素に効果的に集中する能力を持っている。 この認知メカニズムに触発されて,人間ロボットコラボレーション(HRC)の関連性(relevance for Human-Robot Collaboration)という新しい概念を導入した。 関連性(Relevance)とは、連続的に動作する知覚モジュールを組み込み、シーン内のキューの満足度を評価し、フレキシブルな定式化と計算の枠組みを適用する次元削減プロセスである。 本稿では,リアルタイム処理と非同期処理を統合した2ループフレームワークを提案する。 2ループフレームワークは、LLMの世界知識を活用して関連性を定量化する非同期ループと、関連性に基づいたシーン理解、人間の意図予測、意思決定を行うリアルタイムループを統合する。 HRCの意思決定は、人間軌道予測を組み込んだ動き生成・衝突回避手法と同様に、関連性に基づくタスク割り当て手法によって強化される。 シミュレーションと実験により,我々の妥当性定量化手法は,人間の目的と妥当性を正確に正確に予測でき,平均精度は客観予測で0.90,関連予測で0.96と推定された。 さらに,動作生成手法により衝突事故を63.76%減らし,衝突フレームを44.74%減らした。 我々のフレームワークと方法論は、人間に最適な支援方法と、より安全で効率的なHRC行動を生成する方法をロボットに案内する。

関連論文リスト

• Learning Multi-Robot Coordination through Locality-Based Factorized Multi-Agent Actor-Critic Algorithm [54.98788921815576]
  我々は,textbfLocalityをベースとしたtextbfFactorized textbfMulti-Agent textbfActor-textbfCritic (Loc-FACMAC) という新しい協調型マルチエージェント強化学習法を提案する。 我々は、局所性の概念を批判的学習に統合し、トレーニング中に強く関連するロボットが分割を形成する。 提案手法は,局所的な報酬に着目し,分割型学習を活用して既存のアルゴリズムを改良し,学習効率と性能を向上させる。
  論文  参考訳（メタデータ） (2025-03-24T16:00:16Z)
• 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)
• Relevance for Human Robot Collaboration [6.009969292588733]
  本稿では,新しい概念とシーン理解的アプローチ「関連性」を紹介する。 そこで我々は,関連性判定を選択的にトリガするイベントベースフレームワークを開発した。 実世界のデモでは、人間を日々のタスクでインテリジェント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。
  論文  参考訳（メタデータ） (2024-09-12T04:57:34Z)
• 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)
• 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)
• HODN: Disentangling Human-Object Feature for HOI Detection [51.48164941412871]
  本稿では,Human and Object Disentangling Network (HODN) を提案し,Human-Object Interaction (HOI) の関係を明示的にモデル化する。 インタラクションに人間的特徴がより寄与していることを考慮し,インタラクションデコーダが人間中心の領域に焦点を当てていることを確認するためのヒューマンガイドリンク手法を提案する。 提案手法は,V-COCOとHICO-Det Linkingデータセットの競合性能を実現する。
  論文  参考訳（メタデータ） (2023-08-20T04:12:50Z)
• 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)
• Reinforcement Learning with a Terminator [80.34572413850186]
  我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。 我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
  論文  参考訳（メタデータ） (2022-05-30T18:40:28Z)
• 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)
• Active Uncertainty Learning for Human-Robot Interaction: An Implicit Dual Control Approach [5.05828899601167]
  暗黙的な二重制御パラダイムに基づくループ内動作計画のための不確実性学習を実現するアルゴリズムを提案する。 提案手法は,動的プログラミングモデル予測制御問題のサンプリングに基づく近似に依拠する。 結果として得られたポリシーは、連続的およびカテゴリー的不確実性を持つ一般的な人間の予測モデルに対する二重制御効果を維持することが示されている。
  論文  参考訳（メタデータ） (2022-02-15T20:40:06Z)
• 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)
• Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
  本稿では,人間の動作予測のための確率モデルを提案する。 我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。 我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2021-07-14T09:05:33Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)
• Simultaneous Learning from Human Pose and Object Cues for Real-Time Activity Recognition [11.290467061493189]
  本研究では,人間の行動にかかわるポーズや物体の観察から同時に学習することで,人間の行動認識に対する新しいアプローチを提案する。 提案手法は従来の手法より優れ,104Hzの処理速度で人間の行動認識のリアルタイム性能を得る。
  論文  参考訳（メタデータ） (2020-03-26T22:04:37Z)

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。