論文の概要: A roadmap for AI in robotics

• arxiv url: http://arxiv.org/abs/2507.19975v1
• Date: Sat, 26 Jul 2025 15:18:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:56.568091
• Title: A roadmap for AI in robotics
• Title（参考訳）: ロボット工学におけるAIのロードマップ
• Authors: Aude Billard, Alin Albu-Schaeffer, Michael Beetz, Wolfram Burgard, Peter Corke, Matei Ciocarlie, Ravinder Dahiya, Danica Kragic, Ken Goldberg, Yukie Nagai, Davide Scaramuzza,
• Abstract要約: AIの可能性を生かして、私たちの日常生活にロボットを配備する上での、際立った障壁に取り組みたいと考えています。 この記事では、1990年代からロボット工学におけるAIが達成したことを評価し、課題と約束を列挙した短期的・中期的な研究ロードマップを提案する。
• 参考スコア（独自算出の注目度）: 55.87087746398059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI technologies, including deep learning, large-language models have gone from one breakthrough to the other. As a result, we are witnessing growing excitement in robotics at the prospect of leveraging the potential of AI to tackle some of the outstanding barriers to the full deployment of robots in our daily lives. However, action and sensing in the physical world pose greater and different challenges than analysing data in isolation. As the development and application of AI in robotic products advances, it is important to reflect on which technologies, among the vast array of network architectures and learning models now available in the AI field, are most likely to be successfully applied to robots; how they can be adapted to specific robot designs, tasks, environments; which challenges must be overcome. This article offers an assessment of what AI for robotics has achieved since the 1990s and proposes a short- and medium-term research roadmap listing challenges and promises. These range from keeping up-to-date large datasets, representatives of a diversity of tasks robots may have to perform, and of environments they may encounter, to designing AI algorithms tailored specifically to robotics problems but generic enough to apply to a wide range of applications and transfer easily to a variety of robotic platforms. For robots to collaborate effectively with humans, they must predict human behavior without relying on bias-based profiling. Explainability and transparency in AI-driven robot control are not optional but essential for building trust, preventing misuse, and attributing responsibility in accidents. We close on what we view as the primary long-term challenges, that is, to design robots capable of lifelong learning, while guaranteeing safe deployment and usage, and sustainable computational costs.
• Abstract（参考訳）: ディープラーニングを含むAI技術は、あるブレークスルーから別のブレークスルーへと移行した。 その結果、AIの潜在能力を活用して、日々の生活にロボットを配備する上での際立った障壁に対処する、ロボット工学における興奮の高まりを目の当たりにしています。 しかし、物理的な世界でのアクションとセンシングは、データを分離して分析するよりも、より大きく異なる課題を引き起こす。 ロボット製品におけるAIの開発と応用が進むにつれて、AI分野で現在利用可能な膨大なネットワークアーキテクチャや学習モデルの中で、どの技術がロボットに適用されるのかを反映することが重要となる。 この記事では、1990年代からロボット工学におけるAIが達成したことを評価し、課題と約束を列挙した短期的・中期的な研究ロードマップを提案する。 それらは、最新の大規模なデータセットの保持、ロボットが実行しなければならないさまざまなタスクの代表者、そして彼らが遭遇する可能性のある環境、ロボットの問題に特化してAIアルゴリズムを設計するが、幅広いアプリケーションに適用し、さまざまなロボットプラットフォームに簡単に移行できるほど汎用的だ。 ロボットが人間と効果的に協力するには、バイアスベースのプロファイリングに頼ることなく人間の行動を予測する必要がある。 AI駆動型ロボット制御の説明可能性と透明性は、信頼の構築、誤用防止、事故における責任の帰結に必須である。 私たちは、安全なデプロイメントと使用を保証し、持続的な計算コストを保証しながら、生涯学習が可能なロボットを設計する、という、私たちが目指す主要な長期的課題をよく理解しています。

関連論文リスト

• One For All: LLM-based Heterogeneous Mission Planning in Precision Agriculture [2.9440788521375585]
  我々は、非特殊主義者が異種ロボットを制御できる自然言語(NL)ロボットミッションプランナーを提案する。 我々のアーキテクチャは、人間の言語をさまざまなロボットプラットフォームで実行可能な中間記述にシームレスに翻訳します。 この研究は、精密農業におけるロボットの自動化を非技術ユーザーにとってよりアクセスしやすいものにするための重要なステップである。
  論文  参考訳（メタデータ） (2025-06-11T18:45:44Z)
• A Retrospective on the Robot Air Hockey Challenge: Benchmarking Robust, Reliable, and Safe Learning Techniques for Real-world Robotics [53.33976793493801]
  私たちは、NeurIPS 2023カンファレンスでRobot Air Hockey Challengeを組織しました。 我々は、シム・トゥ・リアルギャップ、低レベルの制御問題、安全性問題、リアルタイム要件、実世界のデータの限られた可用性など、ロボット工学における実践的な課題に焦点を当てる。 その結果、学習に基づくアプローチと事前知識を組み合わせたソリューションは、実際のデプロイメントが困難である場合にデータのみに依存するソリューションよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-08T17:20:47Z)
• $π_0$: A Vision-Language-Action Flow Model for General Robot Control [77.32743739202543]
  本稿では,インターネット規模のセマンティック知識を継承するために,事前学習された視覚言語モデル(VLM)上に構築された新しいフローマッチングアーキテクチャを提案する。 我々は,事前訓練後のタスクをゼロショットで実行し,人からの言語指導に追従し,微調整で新たなスキルを習得する能力の観点から,我々のモデルを評価した。
  論文  参考訳（メタデータ） (2024-10-31T17:22:30Z)
• Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
  脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。 現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。 本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T21:00:30Z)
• HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
  そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。 その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-03-15T17:45:44Z)
• Aligning Robot Representations with Humans [5.482532589225552]
  主な問題は、ある環境で学んだ知識を別の環境に移す方法である。 我々は、人間が世界でシステム成功の究極的な評価者になるので、ロボットに重要なタスクの側面を伝えるのに最も適していると仮定する。 このアプローチをインタラクティブシステムの構築に利用し、高度な協調ロボットをより良く開発するための今後の方向性を提供する3つの分野を強調します。
  論文  参考訳（メタデータ） (2022-05-15T15:51:05Z)
• Dual-Arm Adversarial Robot Learning [0.6091702876917281]
  ロボット学習のためのプラットフォームとしてデュアルアーム設定を提案する。 このセットアップの潜在的なメリットと、追求できる課題と研究の方向性について論じる。
  論文  参考訳（メタデータ） (2021-10-15T12:51:57Z)
• Auditing Robot Learning for Safety and Compliance during Deployment [4.742825811314168]
  我々は、ロボット学習アルゴリズムを人間との互換性を確認するのにいかに最適かを研究する。 これは、ロボット学習コミュニティ全体の努力を必要とする難しい問題だと考えています。
  論文  参考訳（メタデータ） (2021-10-12T02:40:11Z)
• Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
  多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。 本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。 我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
  論文  参考訳（メタデータ） (2021-09-19T18:00:51Z)

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。