論文の概要: Learning Human-Humanoid Coordination for Collaborative Object Carrying

• arxiv url: http://arxiv.org/abs/2510.14293v1
• Date: Thu, 16 Oct 2025 04:36:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.721607
• Title: Learning Human-Humanoid Coordination for Collaborative Object Carrying
• Title（参考訳）: 協調型物体搬送のためのヒト・ヒューマノイド座標の学習
• Authors: Yushi Du, Yixuan Li, Baoxiong Jia, Yutang Lin, Pei Zhou, Wei Liang, Yanchao Yang, Siyuan Huang,
• Abstract要約: 本稿では,リーダーと追従者の行動を一つの方針で組み合わせた,プロプリセプションのみによる強化学習手法であるCOLAを提案する。 我々は,協調搬送タスクの総合的なシミュレータと実世界の実験を通して,我々のアプローチを評価する。 本手法は,外部センサや複雑な相互作用モデルを必要とすることなく,人間-ヒューマノイドの協調搬送を可能にする。
• 参考スコア（独自算出の注目度）: 37.81901077587862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-humanoid collaboration shows significant promise for applications in healthcare, domestic assistance, and manufacturing. While compliant robot-human collaboration has been extensively developed for robotic arms, enabling compliant human-humanoid collaboration remains largely unexplored due to humanoids' complex whole-body dynamics. In this paper, we propose a proprioception-only reinforcement learning approach, COLA, that combines leader and follower behaviors within a single policy. The model is trained in a closed-loop environment with dynamic object interactions to predict object motion patterns and human intentions implicitly, enabling compliant collaboration to maintain load balance through coordinated trajectory planning. We evaluate our approach through comprehensive simulator and real-world experiments on collaborative carrying tasks, demonstrating the effectiveness, generalization, and robustness of our model across various terrains and objects. Simulation experiments demonstrate that our model reduces human effort by 24.7%. compared to baseline approaches while maintaining object stability. Real-world experiments validate robust collaborative carrying across different object types (boxes, desks, stretchers, etc.) and movement patterns (straight-line, turning, slope climbing). Human user studies with 23 participants confirm an average improvement of 27.4% compared to baseline models. Our method enables compliant human-humanoid collaborative carrying without requiring external sensors or complex interaction models, offering a practical solution for real-world deployment.
• Abstract（参考訳）: ヒトとヒューマノイドのコラボレーションは、医療、家庭での援助、製造において大きな可能性を秘めている。 ロボットアームのためのロボットと人間のコラボレーションは広範に開発されているが、ヒューマノイドの複雑な全身のダイナミクスのために、人間と人間とのコラボレーションを可能にすることは、ほとんど探索されていない。 本稿では,リーダーと追従者の行動を一つの方針で組み合わせた,プロプリオセプションのみによる強化学習手法であるCOLAを提案する。 このモデルは、オブジェクトの動きパターンと人間の意図を暗黙的に予測するために、動的オブジェクトの相互作用を持つクローズドループ環境で訓練され、協調した軌道計画を通じて負荷バランスを維持することができる。 提案手法は,協調搬送作業に関する総合的なシミュレータと実世界の実験を通じて評価し,様々な地形や物体におけるモデルの有効性,一般化,ロバスト性を実証する。 シミュレーション実験により、我々のモデルは人間の労力を24.7%削減することを示した。 オブジェクトの安定性を維持しながら、ベースラインのアプローチと比較してみましょう。 実世界の実験は、さまざまな種類の物体(箱、机、ストレッチャーなど)と運動パターン(直線、旋回、傾斜クライミング)をまたいだ堅牢な協調輸送を検証する。 23人の被験者による人的ユーザスタディでは、ベースラインモデルと比較して平均27.4%の改善が確認されている。 本手法は,外部センサや複雑なインタラクションモデルを必要とすることなく,人間-ヒューマノイドの協調搬送を可能にする。

関連論文リスト

• Moving Out: Physically-grounded Human-AI Collaboration [21.627325065213725]
  我々は、新しい人間-AIコラボレーションベンチマークであるTransping Outを紹介した。 我々は、多様な人間の行動に適応するモデルの能力と、見えない物理的特性を評価する。 我々の実験によると、BASSはAI-AIと人間-AIのコラボレーションにおいて最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-07-24T17:57:18Z)
• 3HANDS Dataset: Learning from Humans for Generating Naturalistic Handovers with Supernumerary Robotic Limbs [64.99122701615151]
  スーパー数式ロボットアーム(英: Supernumerary Robotics limbs、SRL)は、ユーザーの身体と密に統合されたロボット構造である。 3HANDSは,日常活動を行う参加者と,ヒップマウントSRLを自然な方法で実施する参加者との間の,オブジェクトハンドオーバインタラクションの新たなデータセットである。 本稿では,自然なハンドオーバ軌跡を生成する3つのモデル,適切なハンドオーバエンドポイントを決定する1つのモデル,ハンドオーバ開始のタイミングを予測する3つのモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-06T17:23:55Z)
• CooHOI: Learning Cooperative Human-Object Interaction with Manipulated Object Dynamics [44.30880626337739]
  CooHOIはマルチヒューマノイド物体輸送問題の解決を目的としたフレームワークである。 単一のヒューマノイドキャラクタは、人間の動きの先行から模倣学習を通じてオブジェクトと対話することを学ぶ。 そして、ヒューマノイドは、操作対象の共有ダイナミクスを考慮し、他人と協調することを学ぶ。
  論文  参考訳（メタデータ） (2024-06-20T17:59:22Z)
• Large Language Model-based Human-Agent Collaboration for Complex Task Solving [94.3914058341565]
  複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。 Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。 このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
  論文  参考訳（メタデータ） (2024-02-20T11:03:36Z)
• Learning Multimodal Latent Dynamics for Human-Robot Interaction [18.68936554172693]
  本稿では,ヒト-ヒトインタラクション(HHI)から協調型人間-ロボットインタラクション(HRI)を学習する方法を提案する。 本研究では,隠れマルコフモデル(HMM)を変分オートエンコーダの潜在空間として用いて,相互作用するエージェントの結合分布をモデル化するハイブリッドアプローチを考案する。 利用者は,我々の手法を,より人間らしく,タイムリーで,正確なものと認識し,他の基準よりも高い選好度で評価する。
  論文  参考訳（メタデータ） (2023-11-27T23:56:59Z)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)
• Habitat 3.0: A Co-Habitat for Humans, Avatars and Robots [119.55240471433302]
  Habitat 3.0は、家庭環境における協調ロボットタスクを研究するためのシミュレーションプラットフォームである。 複雑な変形可能な体と外観と運動の多様性をモデル化する際の課題に対処する。 Human-in-the-loopインフラストラクチャは、マウス/キーボードまたはVRインターフェースを介してシミュレーションされたロボットとの実際のヒューマンインタラクションを可能にする。
  論文  参考訳（メタデータ） (2023-10-19T17:29:17Z)
• Increased Complexity of a Human-Robot Collaborative Task May Increase the Need for a Socially Competent Robot [0.0]
  本研究では,タスクの複雑さがロボットパートナーの認知と受容にどのように影響するかを検討する。 本稿では,人間による障害物回避ロボット制御モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-11T11:43:27Z)

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。