論文の概要: DTRT: Enhancing Human Intent Estimation and Role Allocation for Physical Human-Robot Collaboration

• arxiv url: http://arxiv.org/abs/2505.17490v1
• Date: Fri, 23 May 2025 05:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.838559
• Title: DTRT: Enhancing Human Intent Estimation and Role Allocation for Physical Human-Robot Collaboration
• Title（参考訳）: DTRT:人間-ロボット共同作業における人間の意図推定と役割配分の促進
• Authors: Haotian Liu, Yuchuang Tong, Zhengtao Zhang,
• Abstract要約: 人間の意図推定と合理的な人間ロボットの役割割り当ては、安全かつ効率的な援助に不可欠である。 人間の誘導運動と強制データを利用する階層型アーキテクチャを備えたDual Transformer-based Robot Trajectron (DTRT)を提案する。 DTRTの正確な意図推定とコラボレーションのパフォーマンスを示す実験。
• 参考スコア（独自算出の注目度）: 8.019409744686877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In physical Human-Robot Collaboration (pHRC), accurate human intent estimation and rational human-robot role allocation are crucial for safe and efficient assistance. Existing methods that rely on short-term motion data for intention estimation lack multi-step prediction capabilities, hindering their ability to sense intent changes and adjust human-robot assignments autonomously, resulting in potential discrepancies. To address these issues, we propose a Dual Transformer-based Robot Trajectron (DTRT) featuring a hierarchical architecture, which harnesses human-guided motion and force data to rapidly capture human intent changes, enabling accurate trajectory predictions and dynamic robot behavior adjustments for effective collaboration. Specifically, human intent estimation in DTRT uses two Transformer-based Conditional Variational Autoencoders (CVAEs), incorporating robot motion data in obstacle-free case with human-guided trajectory and force for obstacle avoidance. Additionally, Differential Cooperative Game Theory (DCGT) is employed to synthesize predictions based on human-applied forces, ensuring robot behavior align with human intention. Compared to state-of-the-art (SOTA) methods, DTRT incorporates human dynamics into long-term prediction, providing an accurate understanding of intention and enabling rational role allocation, achieving robot autonomy and maneuverability. Experiments demonstrate DTRT's accurate intent estimation and superior collaboration performance.
• Abstract（参考訳）: 物理的人間ロボットコラボレーション(pHRC)では、人間の意図の正確な推定と合理的な人間ロボットの役割割り当てが安全かつ効率的な支援に不可欠である。 意図推定のための短期的な動きデータに依存する既存の方法は、多段階予測機能に欠けており、意図の変化を感知し、人間のロボットの割り当てを自律的に調整する能力を妨げ、潜在的な不一致をもたらす。 これらの課題に対処するために、人間の誘導運動と強制データを利用して人間の意図の変化を迅速に捉え、正確な軌道予測と動的ロボット行動調整を効果的に連携させる階層型アーキテクチャを備えたDual Transformer-based Robot Trajectron (DTRT)を提案する。 具体的には、DTRTにおける人間の意図推定は、トランスフォーマーベースの条件変分オートエンコーダ(CVAE)を2つ使用し、人間の誘導軌道と障害物回避力を備えた障害物のないケースにロボットの動きデータを組み込んだ。 さらに、人間に適応した力に基づいて予測を合成し、ロボットの動作が人間の意図と一致することを保証するために、微分協調ゲーム理論(DCGT)が用いられている。 最先端のSOTA(State-of-the-art)手法と比較して、DTRTは人間のダイナミクスを長期予測に取り入れ、意図を正確に理解し、合理的な役割割り当てを可能にし、自律性と操作性を達成する。 DTRTの正確な意図推定とコラボレーションのパフォーマンスを示す実験。

関連論文リスト

• Human-Humanoid Robots Cross-Embodiment Behavior-Skill Transfer Using Decomposed Adversarial Learning from Demonstration [9.42179962375058]
  本稿では,デジタル人間モデルを共通プロトタイプとして使用することにより,データのボトルネックを低減するための転送可能なフレームワークを提案する。 このモデルは、人間による実演から、敵対的な模倣を通して行動プリミティブを学習し、複雑なロボット構造を機能的な構成要素に分解する。 本フレームワークは,多種多様な構成のヒューマノイドロボット5体を用いて検証した。
  論文  参考訳（メタデータ） (2024-12-19T18:41:45Z)
• Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition [48.65867987106428]
  本稿では,人間とロボットの協調学習システムについて紹介する。 これにより、ロボットエンドエフェクターの制御を学習支援エージェントと共有することができる。 これにより、ダウンストリームタスクにおいて、収集されたデータが十分な品質であることを保証しながら、人間の適応の必要性を減らすことができる。
  論文  参考訳（メタデータ） (2024-06-29T03:37:29Z)
• Human-Robot Skill Transfer with Enhanced Compliance via Dynamic Movement Primitives [1.7901837062462316]
  本研究では,動的運動プリミティブ(Dynamic Movement Primitives)フレームワークにおいて,人間の実演から動的特徴を抽出し,パラメータを自動チューニングする体系的手法を提案する。 本手法は,LfDとRLの両方に追従するロボット軌道を再現するために,人間の動的特徴を抽出するための実際のロボット装置に実装した。
  論文  参考訳（メタデータ） (2023-04-12T08:48:28Z)
• HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
  本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。 本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-08T15:56:13Z)
• 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)
• 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)
• Leveraging Neural Network Gradients within Trajectory Optimization for Proactive Human-Robot Interactions [32.57882479132015]
  本稿では, トラジェクトリ最適化(TO)の解釈可能性と柔軟性を, 最先端の人間のトラジェクトリ予測モデルの予測能力と融合する枠組みを提案する。 我々は,最大10人の歩行者の群集を安全に効率的に移動させるロボットを必要とするマルチエージェントシナリオにおいて,我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-12-02T08:43:36Z)
• Human Grasp Classification for Reactive Human-to-Robot Handovers [50.91803283297065]
  本稿では,ロボットが人間に遭遇するロボットのハンドオーバに対するアプローチを提案する。 対象物をさまざまな手形やポーズで保持する典型的な方法をカバーする,人間の把握データセットを収集する。 本稿では,検出した把握位置と手の位置に応じて人手から対象物を取り出す計画実行手法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T19:58:03Z)
• Human-robot co-manipulation of extended objects: Data-driven models and control from analysis of human-human dyads [2.7036498789349244]
  我々は人間と人間のダイアド実験のデータを用いて、物理的な人間とロボットのコマニピュレーションタスクに使用する動きの意図を決定する。 我々は、過去の動きに基づく人間の意図を予測するために、人間と人間のトライアルの動作データに基づくディープニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2020-01-03T21:23:12Z)

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。