論文の概要: Delay-Compensated Stiffness Estimation for Robot-Mediated Dyadic Interaction

• arxiv url: http://arxiv.org/abs/2601.17812v1
• Date: Sun, 25 Jan 2026 12:21:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.942121
• Title: Delay-Compensated Stiffness Estimation for Robot-Mediated Dyadic Interaction
• Title（参考訳）: ロボット介在型対話における遅延補償剛性推定
• Abstract要約: 本稿では,ロボットによる人間-人-人との対話のための遅延補償剛性推定フレームワークを提案する。 市販のリハビリテーションロボット(H-MAN)をプラットフォームとして実験した結果,提案手法が標準推定器を著しく上回っていることが示された。 これらの知見は,遠隔ダイアド相互作用における高忠実度触覚知覚の実現に有望な解決法である。
• 参考スコア（独自算出の注目度）: 1.2366208723499545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot-mediated human-human (dyadic) interactions enable therapists to provide physical therapy remotely, yet an accurate perception of patient stiffness remains challenging due to network-induced haptic delays. Conventional stiffness estimation methods, which neglect delay, suffer from temporal misalignment between force and position signals, leading to significant estimation errors as delays increase. To address this, we propose a robust, delay-compensated stiffness estimation framework by deriving an algebraic estimator based on quasi-static equilibrium that explicitly accounts for temporally aligning the expert's input with the novice's response. A Normalised Weighted Least Squares (NWLS) implementation is then introduced to robustly filter dynamic bias resulting from the algebraic derivation. Experiments using commercial rehabilitation robots (H-MAN) as the platform demonstrate that the proposed method significantly outperforms the standard estimator, maintaining consistent tracking accuracy under multiple introduced delays. These findings offer a promising solution for achieving high-fidelity haptic perception in remote dyadic interaction, potentially facilitating reliable stiffness assessment in therapeutic settings across networks.
• Abstract（参考訳）: ロボットによる人間と人間の相互作用は、セラピストが遠隔で理学療法を行うことを可能にするが、ネットワークによって引き起こされる触覚遅延のため、患者の硬さの正確な認識は困難である。 遅延を無視する従来の剛性推定法は、力と位置信号の時間的ずれに悩まされ、遅延が増加するにつれてかなりの誤差が生じる。 そこで本稿では,専門家の入力と初心者の応答とを時間的整合性に明示的に考慮した準静的平衡に基づく代数的推定器を導出した,頑健で遅延補償型剛性評価フレームワークを提案する。 正規化重み付き最小正方形(NWLS)の実装は、代数的導出による動的バイアスを頑健にフィルタするために導入される。 市販のリハビリテーションロボット(H-MAN)をプラットフォームとして実験した結果,提案手法が標準推定器を著しく上回り,複数回導入した遅延下での一貫した追跡精度を維持した。 これらの知見は,遠隔ダイアド相互作用における高忠実な触覚知覚を実現するための有望なソリューションであり,ネットワーク間の治療環境における信頼性の高い剛性評価を促進する可能性がある。

関連論文リスト

• Decoding Error-Related Potentials under Multisensory Feedback with Varying Congruency [49.89366594261373]
  現実的な設定では、不均一な多感覚フィードバックの下でエラー知覚がしばしば発生する。 特に、矛盾したフィードバックは、復号化の難しさと分類性能の低下に関連している。 我々は多分岐EEGNetベースのアーキテクチャを採用し、異種条件間の堅牢性を改善するために補助的な監視を行う。
  論文  参考訳（メタデータ） (2026-07-08T09:13:14Z)
• Seeing Through Occlusion: Deterministic Arm Kinematic Correction for Robot Teleoperation [6.979012378888037]
  本稿では,定数アーム長に基づく幾何制約を強制することにより,深度推定を改善するArm Kinematic Correction (AKC)法を提案する。 Vicon参照システムに対する実験的検証は、静的および動的関節運動の信頼性を示す。 その結果, AKCは信頼性の低い時間フィルタと組み合わせても, 長期的, 厳密な自己閉塞下では頑健性を高め, 解剖学的整合性を維持することが示唆された。
  論文  参考訳（メタデータ） (2026-06-17T16:20:10Z)
• Residual Reinforcement Learning for Robot Teleoperation under Stochastic Delays [1.8630868148375317]
  遠隔操作における通信遅延は、制御安定性と制御性能の低下を損なう信号の不連続をもたらす。 本稿では,Long Short-Term Memory (LSTM) を用いた状態推定器と,遅延に耐性のある残差RLポリシーを併用したハイブリッド制御フレームワークである遅延耐性RLを提案する。
  論文  参考訳（メタデータ） (2026-05-14T23:45:59Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner [5.540352966241158]
  生存条件における不均一な治療効果の推定は、適切な検閲と推定の時間変化によって複雑になる。 本研究では,不均一な治療効果を正しく評価する深層生存学習者を提案する。
  論文  参考訳（メタデータ） (2026-04-12T01:11:44Z)
• Reinforcement Learning via Conservative Agent for Environments with Random Delays [2.115993069505241]
  本稿では,ランダム遅延下での意思決定のための単純かつ堅牢なエージェントを保守的エージェントと呼び,ランダム遅延環境を定遅延等価に再構成する。 これにより、アルゴリズム構造を変更したり性能を犠牲にすることなく、最先端の定数遅延法を直接ランダム遅延環境に拡張することができる。
  論文  参考訳（メタデータ） (2025-07-25T06:41:06Z)
• Bridging Internal Probability and Self-Consistency for Effective and Efficient LLM Reasoning [53.25336975467293]
  パープレキシティや自己整合性などの手法の第一理論誤差分解解析について述べる。 パープレキシティ法は、適切な整合関数が存在しないため、かなりのモデル誤差に悩まされる。 本稿では、自己整合性とパープレキシティを統合したReasoning-Pruning Perplexity Consistency(RPC)と、低確率推論経路を排除したReasoning Pruningを提案する。
  論文  参考訳（メタデータ） (2025-02-01T18:09:49Z)
• Estimating the treatment effect over time under general interference through deep learner integrated TMLE [7.2615408834692685]
  DeepNetTMLE(DeepNetTMLE)は,ディープラーニングによる最大等量推定(TMLE)手法である。 DeepNetTMLEは、一般的な干渉の下で、時間によって変化する共同創設者のバイアスを軽減する。 我々は,DeepNetTMLEが,反実推定においてより低いバイアスとより正確な信頼区間を実現することを示す。
  論文  参考訳（メタデータ） (2024-12-06T06:09:43Z)
• Estimating Long-term Heterogeneous Dose-response Curve: Generalization Bound Leveraging Optimal Transport Weights [54.65531750162626]
  多くのアプリケーションにおいて、長期的な処理効果の推定は重要な問題であるが難しい問題である。 既存の方法は、長期的な平均治療効果を推定するために、保存されていない共同設立者やバイナリー処理など、理想的な仮定に依存している。 本稿では,長期観測データを補助的短期実験データと整合させるための最適輸送重み付けフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-27T14:13:46Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• Estimating counterfactual treatment outcomes over time in complex multiagent scenarios [15.919561391684024]
  対実的長期予測を用いた個別治療効果(ITE)の推定は、そのような介入を評価するために実用的である。 本稿では,マルチエージェントシステムにおける解釈可能な,非実効的リカレントネットワークを提案し,介入の効果を推定する。
  論文  参考訳（メタデータ） (2022-06-04T04:04:25Z)

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。