論文の概要: Training Models to Detect Successive Robot Errors from Human Reactions

• arxiv url: http://arxiv.org/abs/2510.09080v1
• Date: Fri, 10 Oct 2025 07:25:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 04:53:46.928857
• Title: Training Models to Detect Successive Robot Errors from Human Reactions
• Title（参考訳）: 人間の反応から連続ロボットエラーを検出する訓練モデル
• Authors: Shannon Liu, Maria Teresa Parreira, Wendy Ju,
• Abstract要約: この研究は、人間の反応からロボットの失敗の段階を認識するために機械学習を使用する。 会話エラーを繰り返したロボットと対話する26人の被験者を対象にした研究では、映像データから行動特徴を抽出し、モデルを訓練した。 最良のモデルは、エラーを検出するための93.5%の精度と、連続する障害を分類するための84.1%を達成した。
• 参考スコア（独自算出の注目度）: 11.790205457987488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As robots become more integrated into society, detecting robot errors is essential for effective human-robot interaction (HRI). When a robot fails repeatedly, how can it know when to change its behavior? Humans naturally respond to robot errors through verbal and nonverbal cues that intensify over successive failures-from confusion and subtle speech changes to visible frustration and impatience. While prior work shows that human reactions can indicate robot failures, few studies examine how these evolving responses reveal successive failures. This research uses machine learning to recognize stages of robot failure from human reactions. In a study with 26 participants interacting with a robot that made repeated conversational errors, behavioral features were extracted from video data to train models for individual users. The best model achieved 93.5% accuracy for detecting errors and 84.1% for classifying successive failures. Modeling the progression of human reactions enhances error detection and understanding of repeated interaction breakdowns in HRI.
• Abstract（参考訳）: ロボットが社会に統合されるにつれて、ロボットのエラーを検出することは、効果的な人間とロボットの相互作用(HRI)に不可欠である。 ロボットが何度も失敗すると、いつ行動を変えるのかをどうやって知ることができるのか? 人間は、混乱や微妙な発話の変化から目に見えるフラストレーションや忍耐に至るまで、連続する失敗を強要する言語的および非言語的手がかりを通じて、ロボットのエラーに自然に反応する。 以前の研究では、人間の反応がロボットの失敗を示すことが示されているが、これらの進化する反応が連続した失敗を示すかを調べる研究はほとんどない。 この研究は、人間の反応からロボットの失敗の段階を認識するために機械学習を使用する。 会話エラーを繰り返したロボットと対話する26人の被験者を対象にした研究では、映像データから行動特徴を抽出し、個々のユーザーのモデルを訓練した。 最良のモデルは、エラーを検出するための93.5%の精度と、連続する障害を分類するための84.1%を達成した。 人間の反応の進行をモデル化することで、HRIにおける繰り返しの相互作用の破壊の誤りの検出と理解が促進される。

関連論文リスト

• ERR@HRI 2.0 Challenge: Multimodal Detection of Errors and Failures in Human-Robot Conversations [18.151307410451796]
  ERR@HRI 2.0 Challengeは、人間とロボットの会話中の会話ロボットの失敗のデータセットを提供する。 データセットには、顔、スピーチ、頭の動きを取り入れた16時間の人-ロボットインタラクションが含まれている。 参加者はチームを作り、マルチモーダルデータを使用してこれらの障害を検出する機械学習モデルを開発するために招待される。
  論文  参考訳（メタデータ） (2025-07-17T18:21:45Z)
• Why Robots Are Bad at Detecting Their Mistakes: Limitations of Miscommunication Detection in Human-Robot Dialogue [0.6118899177909359]
  本研究では,ロボット対話における誤通信検出における機械学習モデルの有効性を評価する。 会話の各ターンの後、ユーザーはエラーを認識したかどうかについてのフィードバックを提供し、モデルがロボットの誤りを正確に検出する能力の分析を可能にした。
  論文  参考訳（メタデータ） (2025-06-25T09:25:04Z)
• Human strategies for correcting `human-robot' errors during a laundry sorting task [3.9697512504288373]
  「42人の参加者によるビデオ分析では、笑い、言葉表現、おやおやおやおやおや」など、発話パターンが見つかった。」 エラーが発生した時に展開される一般的な戦略には、修正と教育、責任を取ること、フラストレーションの表示などがあった。 人類型ロボットは、このようなタスクに理想的に適していないかもしれない。
  論文  参考訳（メタデータ） (2025-04-11T09:53:36Z)
• Human-Robot Interaction and Perceived Irrationality: A Study of Trust Dynamics and Error Acknowledgment [0.0]
  本研究では,ロボットの故障に対する人間の反応を解析し,信頼のダイナミクスとシステム設計を体系的に検討する。 我々は,人間とロボットのインタラクションを通じて,信頼がどのように進化するかを調査する4段階の調査を行った。 その結果,ロボットの誤りや限界を認識すると,ロボットシステムの信頼性は著しく向上した。
  論文  参考訳（メタデータ） (2024-03-21T11:00:11Z)
• Real-time Addressee Estimation: Deployment of a Deep-Learning Model on the iCub Robot [52.277579221741746]
  住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。 人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。 本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
  論文  参考訳（メタデータ） (2023-11-09T13:01:21Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot Learning [121.9708998627352]
  近年の研究では、現実的なロボット学習の応用において、対人訓練の効果が公平なトレードオフを起こさないことが示されている。 本研究は,ロボット学習におけるロバストネスと精度のトレードオフを再考し,最近のロバストトレーニング手法と理論の進歩により,現実のロボット応用に適した対人トレーニングが可能かどうかを解析する。
  論文  参考訳（メタデータ） (2022-04-15T08:12:15Z)
• 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)
• Joint Inference of States, Robot Knowledge, and Human (False-)Beliefs [90.20235972293801]
  本稿では,人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)の認知能力が,ロボットとの相互作用にどのように影響するかを理解するために,対象状態,ロボット知識,人間(時間的)の認知能力の表現にグラフィカルモデルを採用することを提案する。 推論アルゴリズムは、複数のビューにまたがる全てのロボットから個別のpgを融合し、単一のビューから発生したエラーを克服するより効果的な推論能力を得る。
  論文  参考訳（メタデータ） (2020-04-25T23:02:04Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。