論文の概要: Learning-Based Safety-Aware Task Scheduling for Efficient Human-Robot Collaboration

• arxiv url: http://arxiv.org/abs/2512.17560v1
• Date: Fri, 19 Dec 2025 13:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.427793
• Title: Learning-Based Safety-Aware Task Scheduling for Efficient Human-Robot Collaboration
• Title（参考訳）: 効率的な人間-ロボット協調のための学習型安全対応タスクスケジューリング
• Authors: M. Faroni, A. Spano, A. M. Zanchettin, P. Rocco,
• Abstract要約: 本稿では,安全論理の事前知識を前提とせず,効率損失を軽減するための安全対応手法を提案する。 我々のフレームワークは、人間の動きを明示的に予測するのではなく、ロボットの速度に対する相互作用効果を直接モデル化する。 ピック・アンド・パッケージング実験ではサイクルタイムが大幅に短縮された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring human safety in collaborative robotics can compromise efficiency because traditional safety measures increase robot cycle time when human interaction is frequent. This paper proposes a safety-aware approach to mitigate efficiency losses without assuming prior knowledge of safety logic. Using a deep-learning model, the robot learns the relationship between system state and safety-induced speed reductions based on execution data. Our framework does not explicitly predict human motions but directly models the interaction effects on robot speed, simplifying implementation and enhancing generalizability to different safety logics. At runtime, the learned model optimizes task selection to minimize cycle time while adhering to safety requirements. Experiments on a pick-and-packaging scenario demonstrated significant reductions in cycle times.
• Abstract（参考訳）: 協調ロボット工学における人間の安全を確保することは、従来の安全対策が人間の対話が頻繁な場合にロボットのサイクル時間を増やすため、効率を損なう可能性がある。 本稿では,安全論理の事前知識を前提とせず,効率損失を軽減するための安全対応手法を提案する。 ディープラーニングモデルを用いて、ロボットは実行データに基づいて、システム状態と安全による速度低下の関係を学習する。 我々のフレームワークは、人間の動きを明示的に予測するのではなく、ロボットの速度に対する相互作用効果を直接モデル化し、実装を簡素化し、異なる安全論理への一般化性を高める。 学習したモデルは実行時にタスクの選択を最適化し、安全要件に準拠しながらサイクルタイムを最小化する。 ピック・アンド・パッケージング実験ではサイクルタイムが大幅に短縮された。

関連論文リスト

• RoboSafe: Safeguarding Embodied Agents via Executable Safety Logic [56.38397499463889]
  視覚言語モデル(VLM)を利用するエージェントは、複雑な現実世界のタスクを実行する能力がますます高まっている。 しかし、安全でない行動を引き起こす可能性のある危険な指示に弱いままである。 提案するRoboSafeは,実行可能述語ベースの安全ロジックを通じて,エージェントを具体化するためのランタイムセーフガードである。
  論文  参考訳（メタデータ） (2025-12-24T15:01:26Z)
• On Using Neural Networks to Learn Safety Speed Reduction in Human-Robot Collaboration: A Comparative Analysis [4.825154649093785]
  本稿では,プロセス実行データから直接ロボットの安全スケーリング因子を予測するためのディープラーニング手法を提案する。 複数のニューラルネットワークアーキテクチャを分析し、単純なフィードフォワードネットワークがロボットの減速を効果的に推定できることを実証する。
  論文  参考訳（メタデータ） (2025-12-19T13:46:56Z)
• ANNIE: Be Careful of Your Robots [48.89876809734855]
  エンボディドAIシステムに対する敵の安全攻撃に関する最初の体系的研究について述べる。 すべての安全カテゴリーで攻撃の成功率は50%を超えている。 結果は、実証済みのAIシステムにおいて、これまで未調査だったが、非常に連続的な攻撃面を露呈する。
  論文  参考訳（メタデータ） (2025-09-03T15:00:28Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Motion Prediction with Gaussian Processes for Safe Human-Robot Interaction in Virtual Environments [1.677718351174347]
  衝突事故のリスクを最小限に抑えるため、共同作業型ロボットは人間との共同作業が安全でなければならない。 本研究の目的は,協調作業ロボットの安全性を向上しつつ,協調作業ロボットの効率を向上させることである。
  論文  参考訳（メタデータ） (2024-05-15T05:51:41Z)
• Deception Game: Closing the Safety-Learning Loop in Interactive Robot Autonomy [7.915956857741506]
  既存の安全手法は、ロボットが実行時に学習し適応する能力を無視することが多く、過度に保守的な行動を引き起こす。 本稿では,ロボットの進化する不確実性を明示的に考慮した安全制御ポリシを合成するための,新しいクローズドループパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-09-03T20:34:01Z)
• 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)
• Adversarial Training is Not Ready for Robot Learning [55.493354071227174]
  対人訓練は,ノルム有界摂動に耐性のあるディープラーニングモデルを訓練する有効な方法である。 敵訓練により得られたニューラルコントローラが3種類の欠陥を受けることを理論的および実験的に示す。 この結果から, ロボット学習にはまだ対応できていないことが示唆された。
  論文  参考訳（メタデータ） (2021-03-15T07:51:31Z)

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。