論文の概要: Causality-enhanced Decision-Making for Autonomous Mobile Robots in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2504.11901v1
- Date: Wed, 16 Apr 2025 09:26:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-17 14:38:55.038656
- Title: Causality-enhanced Decision-Making for Autonomous Mobile Robots in Dynamic Environments
- Title（参考訳）: 動的環境における自律移動ロボットの因果判定
- Authors: Luca Castri, Gloria Beraldo, Nicola Bellotto,
- Abstract要約: 本稿では,電池使用量や人体障害を予測するための因果判定フレームワークを提案する。
また,文脈に敏感な人間とロボットの空間的相互作用をモデル化するために,ガゼボをベースとした新しいシミュレータを開発した。
我々の研究は、自律ロボットが人間と共有する動的環境において、因果推論によってより効率的かつ安全に操作できることを強調した。
- 参考スコア（独自算出の注目度）: 2.037693212747679
- License:
- Abstract: The growing integration of robots in shared environments -- such as warehouses, shopping centres, and hospitals -- demands a deep understanding of the underlying dynamics and human behaviours, including how, when, and where individuals engage in various activities and interactions. This knowledge goes beyond simple correlation studies and requires a more comprehensive causal analysis. By leveraging causal inference to model cause-and-effect relationships, we can better anticipate critical environmental factors and enable autonomous robots to plan and execute tasks more effectively. To this end, we propose a novel causality-based decision-making framework that reasons over a learned causal model to predict battery usage and human obstructions, understanding how these factors could influence robot task execution. Such reasoning framework assists the robot in deciding when and how to complete a given task. To achieve this, we developed also PeopleFlow, a new Gazebo-based simulator designed to model context-sensitive human-robot spatial interactions in shared workspaces. PeopleFlow features realistic human and robot trajectories influenced by contextual factors such as time, environment layout, and robot state, and can simulate a large number of agents. While the simulator is general-purpose, in this paper we focus on a warehouse-like environment as a case study, where we conduct an extensive evaluation benchmarking our causal approach against a non-causal baseline. Our findings demonstrate the efficacy of the proposed solutions, highlighting how causal reasoning enables autonomous robots to operate more efficiently and safely in dynamic environments shared with humans.
- Abstract（参考訳）: 倉庫、ショッピングセンター、病院などの共有環境におけるロボットの統合は、個人がどのように、いつ、どこで、どのように様々な活動や相互作用を行うかなど、基礎となるダイナミクスと人間の振る舞いを深く理解する必要がある。
この知識は単純な相関研究に留まらず、より包括的な因果解析を必要とする。
因果推論を利用して因果関係をモデル化することにより、重要な環境要因を予測し、自律ロボットがより効率的にタスクを計画し実行できるようにする。
そこで本研究では,電池使用量や人体障害を予測するための学習因果モデルに基づいて,これらの要因がロボットタスクの実行に与える影響を理解するための,因果判断フレームワークを提案する。
このような推論フレームワークは、ロボットが与えられたタスクをいつ、どのように完了するかを決定するのを助ける。
これを実現するために,共有ワークスペースにおけるコンテキストに敏感な人間とロボットの空間的相互作用をモデル化する新しいGazeboベースのシミュレータであるPeopleFlowを開発した。
PeopleFlowは、時間、環境レイアウト、ロボット状態といったコンテキスト要因の影響を受け、現実的な人間とロボットの軌跡を特徴とし、多数のエージェントをシミュレートすることができる。
シミュレータは汎用的だが,本論文では倉庫のような環境を事例として,非因果的ベースラインに対する因果的アプローチを広範囲に評価する。
提案手法の有効性を実証し,自律型ロボットが人間と共有する動的環境において,因果推論によってより効率的かつ安全に操作できることを強調した。
関連論文リスト
- Experimental Evaluation of ROS-Causal in Real-World Human-Robot Spatial Interaction Scenarios [3.8625803348911774]
ロボット空間相互作用における因果発見のためのROSベースのフレームワークであるROS-Causalの実験的検討を行った。
データ収集中にロボットが因果モデルを直接抽出する方法を示す。
シミュレーションから生成されたオンライン因果関係モデルは、実験結果と一致している。
論文 参考訳（メタデータ） (2024-06-07T14:20:30Z) - Robot Interaction Behavior Generation based on Social Motion Forecasting for Human-Robot Interaction [9.806227900768926]
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) - Efficient Causal Discovery for Robotics Applications [2.1244188321694146]
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。
論文 参考訳（メタデータ） (2023-10-23T13:30:07Z) - Learning Human-to-Robot Handovers from Point Clouds [63.18127198174958]
視覚に基づく人間ロボットハンドオーバの制御ポリシーを学習する最初のフレームワークを提案する。
シミュレーションベンチマーク,sim-to-sim転送,sim-to-real転送において,ベースラインよりも大きな性能向上を示した。
論文 参考訳（メタデータ） (2023-03-30T17:58:36Z) - 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) - Data-driven emotional body language generation for social robotics [58.88028813371423]
社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。
我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。
評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
論文 参考訳（メタデータ） (2022-05-02T09:21:39Z) - 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) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳（メタデータ） (2021-03-16T13:50:24Z) - Deployment and Evaluation of a Flexible Human-Robot Collaboration Model
Based on AND/OR Graphs in a Manufacturing Environment [2.3848738964230023]
協調ロボットを製造業に効果的に展開する上での大きなボトルネックは、タスク計画アルゴリズムを開発することである。
本研究では,人間とロボットの協調を必要とするパレット化作業について検討した。
本研究は,職場における作業者の柔軟性と快適さを活かし,人間とロボットの協調モデルをいかに活用できるかを実証するものである。
論文 参考訳（メタデータ） (2020-07-13T22:05:34Z) - 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。