論文の概要: Human-in-the-Loop Failure Recovery with Adaptive Task Allocation

• arxiv url: http://arxiv.org/abs/2602.03603v1
• Date: Tue, 03 Feb 2026 14:55:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.140638
• Title: Human-in-the-Loop Failure Recovery with Adaptive Task Allocation
• Title（参考訳）: アダプティブタスクアロケーションを用いたHuman-in-the-Loop障害回復
• Authors: Lorena Maria Genua, Nikita Boguslavskii, Zhi Li,
• Abstract要約: ロボットの故障を人間オペレーター(ARFA)に割り当てる適応的手法を提案する。 解決すべき障害のすべてに対して、報酬関数は演算子機能と履歴データ、タスク緊急性、現在のワークロード分布に基づいて期待される結果を算出する。 シミュレーションとユーザスタディにより、ARFAはランダムなアロケーションよりも優れ、ロボットのアイドル時間を大幅に短縮し、システム全体の性能を向上し、オペレータ間でより分散されたワークロードをもたらすことが示された。
• 参考スコア（独自算出の注目度）: 2.518621093955008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since the recent Covid-19 pandemic, mobile manipulators and humanoid assistive robots with higher levels of autonomy have increasingly been adopted for patient care and living assistance. Despite advancements in autonomy, these robots often struggle to perform reliably in dynamic and unstructured environments and require human intervention to recover from failures. Effective human-robot collaboration is essential to enable robots to receive assistance from the most competent operator, in order to reduce their workload and minimize disruptions in task execution. In this paper, we propose an adaptive method for allocating robotic failures to human operators (ARFA). Our proposed approach models the capabilities of human operators, and continuously updates these beliefs based on their actual performance for failure recovery. For every failure to be resolved, a reward function calculates expected outcomes based on operator capabilities and historical data, task urgency, and current workload distribution. The failure is then assigned to the operator with the highest expected reward. Our simulations and user studies show that ARFA outperforms random allocation, significantly reducing robot idle time, improving overall system performance, and leading to a more distributed workload among operators.
• Abstract（参考訳）: 新型コロナウイルスのパンデミック以来、患者のケアや生活支援のために、移動マニピュレータや高度な自律性を持つヒューマノイド支援ロボットがますます採用されている。 自律性の進歩にもかかわらず、これらのロボットは動的で非構造的な環境で確実に動作するのに苦労し、失敗から回復するために人間の介入を必要とします。 ロボットが作業負荷を削減し、タスク実行の中断を最小限に抑えるために、ロボットが最も有能なオペレーターから支援を受けられるようにするためには、効果的な人間とロボットのコラボレーションが不可欠である。 本稿では,ロボットの故障を人間の操作者(ARFA)に割り当てる適応手法を提案する。 提案手法は,人間のオペレータの能力をモデル化し,実際の障害復旧性能に基づいて,これらの信念を継続的に更新する。 解決すべき障害のすべてに対して、報酬関数は演算子機能と履歴データ、タスク緊急性、現在のワークロード分布に基づいて期待される結果を算出する。 失敗は、最も期待される報酬でオペレーターに割り当てられる。 シミュレーションとユーザスタディにより、ARFAはランダムなアロケーションよりも優れ、ロボットのアイドル時間を大幅に短縮し、システム全体の性能を向上し、オペレータ間でより分散されたワークロードをもたらすことが示された。

関連論文リスト

• HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
  HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。 私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
  論文  参考訳（メタデータ） (2025-09-12T09:38:17Z)
• Uncertainty Comes for Free: Human-in-the-Loop Policies with Diffusion Models [4.0342998431529695]
  本研究では,拡散政策が人的援助を必要時にのみ積極的に求め,一定の人的監視への依存を減らす方法を提案する。 我々は、拡散政策の生成過程を利用して、自律エージェントが展開時にオペレーター支援を要求できる不確実性に基づくメトリクスを計算する。 この手法は, 自律的な性能向上のために, 微調整拡散ポリシーの効率的なデータ収集に有効であることを示す。
  論文  参考訳（メタデータ） (2025-02-26T15:12:29Z)
• Multi-Task Interactive Robot Fleet Learning with Visual World Models [25.001148860168477]
  Sirius-Fleetはマルチタスク対話型ロボットフリートラーニングフレームワークである。 デプロイ中のロボットのパフォーマンスを監視し、必要な時にロボットの動作を修正するよう人間に要求する。 ロボットの自律性が向上するにつれて、異常予測器は予測基準に自動的に適応する。
  論文  参考訳（メタデータ） (2024-10-30T04:49:39Z)
• Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition [48.65867987106428]
  本稿では,人間とロボットの協調学習システムについて紹介する。 これにより、ロボットエンドエフェクターの制御を学習支援エージェントと共有することができる。 これにより、ダウンストリームタスクにおいて、収集されたデータが十分な品質であることを保証しながら、人間の適応の必要性を減らすことができる。
  論文  参考訳（メタデータ） (2024-06-29T03:37:29Z)
• 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)
• Robot Vitals and Robot Health: Towards Systematically Quantifying Runtime Performance Degradation in Robots Under Adverse Conditions [2.0625936401496237]
  ロボットバイタル」とは、ロボットが直面する性能劣化の程度を推定する指標である。 ロボット健康」とは、ロボットのバイタルを1つのスカラー値に組み合わせ、性能劣化を推定する指標である。
  論文  参考訳（メタデータ） (2022-07-04T19:26:13Z)
• 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)

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。