論文の概要: From Legible to Inscrutable Trajectories: (Il)legible Motion Planning Accounting for Multiple Observers

• arxiv url: http://arxiv.org/abs/2602.09227v1
• Date: Mon, 09 Feb 2026 21:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.306049
• Title: From Legible to Inscrutable Trajectories: (Il)legible Motion Planning Accounting for Multiple Observers
• Title（参考訳）: 可視軌道から非可視軌道へ:(Il)複数のオブザーバに対する可視運動計画会計
• Authors: Ananya Yammanuru, Maria Lusardi, Nancy M. Amato, Katherine Driggs-Campbell,
• Abstract要約: 工場や支援シナリオなどの協調環境においては、ロボットが観察者にその意図を伝えることが重要である。 軌跡により、観察者はエージェントの意図を迅速かつ正確に予測することができる。 軍事作戦やゲームのような敵の環境では、ロボットがその意図を観察者に伝えないことが重要である。
• 参考スコア（独自算出の注目度）: 4.063849508272411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In cooperative environments, such as in factories or assistive scenarios, it is important for a robot to communicate its intentions to observers, who could be either other humans or robots. A legible trajectory allows an observer to quickly and accurately predict an agent's intention. In adversarial environments, such as in military operations or games, it is important for a robot to not communicate its intentions to observers. An illegible trajectory leads an observer to incorrectly predict the agent's intention or delays when an observer is able to make a correct prediction about the agent's intention. However, in some environments there are multiple observers, each of whom may be able to see only part of the environment, and each of whom may have different motives. In this work, we introduce the Mixed-Motive Limited-Observability Legible Motion Planning (MMLO-LMP) problem, which requires a motion planner to generate a trajectory that is legible to observers with positive motives and illegible to observers with negative motives while also considering the visibility limitations of each observer. We highlight multiple strategies an agent can take while still achieving the problem objective. We also present DUBIOUS, a trajectory optimizer that solves MMLO-LMP. Our results show that DUBIOUS can generate trajectories that balance legibility with the motives and limited visibility regions of the observers. Future work includes many variations of MMLO-LMP, including moving observers and observer teaming.
• Abstract（参考訳）: 工場や支援シナリオのような協調的な環境では、ロボットは他の人間やロボットかもしれない観察者にその意図を伝えることが重要である。 可視軌道は、観察者がエージェントの意図を迅速かつ正確に予測することを可能にする。 軍事作戦やゲームのような敵の環境では、ロボットがその意図を観察者に伝えないことが重要である。 不可解な軌跡は、観察者がエージェントの意図について正しい予測を下せると、観察者がエージェントの意図または遅延を誤って予測する。 しかし、いくつかの環境では複数の観察者がおり、それぞれが環境の一部だけを見ることができ、それぞれが異なる動機を持っている可能性がある。 本研究では,各観測者の視認限界を考慮しつつ,正のモチベーションを持つ観測者に対して正のモチベーションを持つ観測者に対して可視かつ負のモチベーションを持つ観測者に対して可視な軌跡を生成するために,運動プランナが要求するMMLO-LMP(Mixed-Motive Limited-Observability Legible Motion Planning)問題を紹介する。 問題目標を達成しつつ、エージェントが行うことのできる複数の戦略を強調します。 また,MMLO-LMPを解くトラジェクトリオプティマイザであるDUBIOUSを提案する。 以上の結果から, Dubious は観測者のモチベーションと限られた視界領域との整合性を両立する軌道を生成できることが示された。 今後の研究には、移動オブザーバやオブザーバチームなど、MMLO-LMPのバリエーションが多数含まれている。

関連論文リスト

• Mechanistic Finetuning of Vision-Language-Action Models via Few-Shot Demonstrations [76.79742393097358]
  Vision-Language Action (VLA)モデルは、視覚言語モデル(VLM)をロボット工学に拡張することを約束している。 既存の微調整手法には特異性がなく、タスクの視覚的、言語的、物理的特性に関わらず、同じパラメータセットを適用する。 神経科学における機能的特異性に触発されて、与えられたタスクに特有のスパースモデル表現を微調整することがより効果的である、という仮説を立てる。
  論文  参考訳（メタデータ） (2025-11-27T18:50:21Z)
• Sight Over Site: Perception-Aware Reinforcement Learning for Efficient Robotic Inspection [57.37596278863949]
  本研究では,認識・認識の観点からの検査を再考する。 本稿では,目標視認性を主目的とするエンドツーエンド強化学習フレームワークを提案する。 提案手法は,既存の古典的および学習的ナビゲーション手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-22T15:14:02Z)
• Reimagination with Test-time Observation Interventions: Distractor-Robust World Model Predictions for Visual Model Predictive Control [51.14656121641822]
  世界モデルは、現在の観測と計画された行動によって、ロボットが将来の観察を「想像」することができる。 新たな視覚的障害は、行動結果の予測を破損させ、ロボットが計画や行動検証のために世界モデルの想像力に依存するとき、下流の障害を引き起こす可能性がある。 本稿では、世界モデルによるより信頼性の高い行動結果の予測を可能にする簡易かつ効果的なテストタイム戦略であるReOI(Reimagination with Observation Intervention)を提案する。
  論文  参考訳（メタデータ） (2025-06-19T19:41:29Z)
• Mechanistic Anomaly Detection for "Quirky" Language Models [1.2581965558321395]
  我々は、機械的異常検出を用いて、有能なモデルの監視を強化する。 我々は、トレーニング環境と大きく異なるテスト環境から点をフラグする検出器を訓練する。 検知器はいくつかのタスクで高い差別を達成することができるが、すべてのモデルやタスクで有効な検出器は存在しない。
  論文  参考訳（メタデータ） (2025-04-09T06:03:18Z)
• Rejecting Hallucinated State Targets during Planning [84.179112256683]
  計画過程において、生成的または予測的モデルは、期待される状態や望ましい状態の集合を表す「ターゲット」を提案するためにしばしば用いられる。 残念ながら、学習したモデルは必然的に幻覚を与え、妄想的な行動や安全上の懸念を引き起こす可能性がある。 我々は、目標実現可能性評価器を学習することで、実現不可能な目標を特定し、拒否する戦略を考案する。
  論文  参考訳（メタデータ） (2024-10-09T17:35:25Z)
• Robot Trajectron: Trajectory Prediction-based Shared Control for Robot Manipulation [2.273531916003657]
  emphRobot Trajectron (RT) と呼ばれる新しい意図推定器を開発した。 RTは、その最近の位置、速度、加速度履歴に基づいて、ロボットの予測軌道の確率的表現を生成する。 我々は、RTの予測能力と潜在的到達目標の位置の表現を組み合わせた、新しい共有制御ソリューションを導出する。
  論文  参考訳（メタデータ） (2024-02-04T14:18:20Z)
• Imitation from Observation With Bootstrapped Contrastive Learning [12.048166025000976]
  IfO(IfO)は、マルコフ決定プロセスにおいて自律エージェントを訓練する学習パラダイムである。 本稿では,OfOアルゴリズムであるBootIfOLについて紹介する。 我々は,限られた数の実証軌道を用いて効果的な政策を訓練できることを示す,様々な制御タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-02-13T17:32:17Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Time-series Imputation of Temporally-occluded Multiagent Trajectories [18.862173210927658]
  エージェントのサブセットの過去と将来の観測が、他のエージェントの欠落した観察を推定するために使用される、マルチエージェントの時系列計算の問題について検討する。 グラフインプタ(Graph Imputer)と呼ばれる我々の手法は,グラフネットワークと変分オートエンコーダを組み合わせた前方情報と後方情報を利用する。 提案手法は,プロジェクティブカメラモジュールを用いて,オフスクリーンプレーヤの状態推定設定のためのモデルをトレーニングし,評価する。
  論文  参考訳（メタデータ） (2021-06-08T09:58:43Z)
• Careful with That! Observation of Human Movements to Estimate Objects Properties [106.925705883949]
  我々は、物体の重さについての洞察を伝える人間の運動行動の特徴に焦点を当てる。 最後の目標は、ロボットがオブジェクトハンドリングに必要なケアの度合いを自律的に推測できるようにすることです。
  論文  参考訳（メタデータ） (2021-03-02T08:14:56Z)
• Cooperative Observation of Targets moving over a Planar Graph with Prediction of Positions [0.0]
  ターゲットとオブザーバの2種類のエージェントを持つチームについて考えてみましょう。 オブザーバー(Observer)は、地上を移動する目標を観測する空中UAVである。 この記事では、CTO問題の新しい設定において、以前のバージョンを上回る修正されたヒルクライミングアルゴリズムを示す。
  論文  参考訳（メタデータ） (2020-02-13T00:38:21Z)

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。