論文の概要: On Using Neural Networks to Learn Safety Speed Reduction in Human-Robot Collaboration: A Comparative Analysis

• arxiv url: http://arxiv.org/abs/2512.17579v1
• Date: Fri, 19 Dec 2025 13:46:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.429926
• Title: On Using Neural Networks to Learn Safety Speed Reduction in Human-Robot Collaboration: A Comparative Analysis
• Title（参考訳）: ニューラルネットワークによる人間-ロボット協調の安全速度低減学習について:比較分析
• Authors: Marco Faroni, Alessio Spanò, Andrea M. Zanchettin, Paolo Rocco,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.825154649093785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Human-Robot Collaboration, safety mechanisms such as Speed and Separation Monitoring and Power and Force Limitation dynamically adjust the robot's speed based on human proximity. While essential for risk reduction, these mechanisms introduce slowdowns that makes cycle time estimation a hard task and impact job scheduling efficiency. Existing methods for estimating cycle times or designing schedulers often rely on predefined safety models, which may not accurately reflect real-world safety implementations, as these depend on case-specific risk assessments. In this paper, we propose a deep learning approach to predict the robot's safety scaling factor directly from process execution data. We analyze multiple neural network architectures and demonstrate that a simple feed-forward network effectively estimates the robot's slowdown. This capability is crucial for improving cycle time predictions and designing more effective scheduling algorithms in collaborative robotic environments.
• Abstract（参考訳）: 人間-ロボットコラボレーションでは、スピードと分離モニタリングやパワーと力の制限といった安全メカニズムが人間の近接性に基づいてロボットの速度を動的に調整する。 リスク低減に不可欠なメカニズムであるが、これらのメカニズムはサイクルタイム推定を困難なタスクとし、ジョブスケジューリング効率に影響を与えるスローダウンを導入している。 サイクルタイムを推定したり、スケジューラを設計するための既存の手法は、ケース固有のリスクアセスメントに依存するため、現実の安全実装を正確に反映しない事前定義された安全モデルに依存していることが多い。 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係数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。 この能力は、サイクルタイム予測を改善し、協調ロボット環境でより効率的なスケジューリングアルゴリズムを設計するために重要である。

関連論文リスト

• RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation [68.7948300643741]
  ロボットの異常検出と介入をリアルタイムに監視するロボット・コンディションド・ノーマライゼーション・フロー(RC-NF)を提案する。 RC-NFは、正規化フロー内のタスク認識ロボットとオブジェクト状態の処理を分離する。 従来のロボットタスクの監視方法と比較して、あらゆる異常なタイプで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-11T10:14:37Z)
• Learning-Based Safety-Aware Task Scheduling for Efficient Human-Robot Collaboration [0.0]
  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。
  論文  参考訳（メタデータ） (2025-12-19T13:29:32Z)
• Deep Reinforcement Learning with anticipatory reward in LSTM for Collision Avoidance of Mobile Robots [0.0]
  本稿では,エージェント位置の短期予測に基づく衝突リスク予測手法を提案する。 過去の軌跡に基づいて訓練されたLong Short-Term Memory(LSTM)モデルを用いて,各ロボットの次の位置を推定する。 この予測により,Deep Q-Learning Network (DQN) エージェントの報酬を動的に調節することで,予測される衝突リスクを定義することができる。
  論文  参考訳（メタデータ） (2025-08-11T12:55:51Z)
• Relevance-driven Decision Making for Safer and More Efficient Human Robot Collaboration [6.009969292588733]
  人-ロボットコラボレーション(HRC)に関する新しい概念を紹介する。 関連性(Relevance)とは、連続的に動作する知覚モジュールを組み込んだ次元還元プロセスである。 本稿では,リアルタイム処理と非同期処理を統合し,関連性を定量化する2ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-21T03:20:53Z)
• Distributed Robust Learning based Formation Control of Mobile Robots based on Bioinspired Neural Dynamics [14.149584412213269]
  まず,変数構造とカスケード設計手法を用いた分散推定器を導入し,実時間性能向上のための微分情報の必要性を排除した。 そして、スムーズな制御入力を提供し、スピードジャンプ問題を効果的に解決することを目的とした、バイオインスパイアされたニューラルダイナミックベースのアプローチを用いて、キネマティックトラッキング制御法を開発した。 完全に未知の力学と乱れを持つロボットの課題に対処するために,学習に基づく頑健な動的コントローラを開発した。
  論文  参考訳（メタデータ） (2024-03-23T04:36:12Z)
• Learning-based adaption of robotic friction models [50.72489248401199]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• 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)
• SHARP: Shielding-Aware Robust Planning for Safe and Efficient Human-Robot Interaction [5.804727815849655]
  シールド」制御スキームは、安全クリティカルなイベントが差し迫った場合に、ロボットの名目上の計画と安全フォールバック戦略をオーバーライドする。 本研究では,ロボットが将来の遮蔽イベントを明示的に考慮し,効率的に計画できる新しい遮蔽型計画手法を提案する。
  論文  参考訳（メタデータ） (2021-10-02T17:01:59Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。