論文の概要: Uncertainty Mitigation and Intent Inference: A Dual-Mode Human-Machine Joint Planning System

• arxiv url: http://arxiv.org/abs/2603.07822v1
• Date: Sun, 08 Mar 2026 21:43:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.074109
• Title: Uncertainty Mitigation and Intent Inference: A Dual-Mode Human-Machine Joint Planning System
• Title（参考訳）: 不確実性緩和とインテント推論:デュアルモーダルなヒューマン・マシン共同計画システム
• Authors: Zeyu Fang, Yuxin Lin, Cheng Liu, Beomyeol Yu, Zeyuan Yang, Rongqian Chen, Taeyoung Lee, Mahdi Imani, Tian Lan,
• Abstract要約: 本研究では,二元的不確実性に対処する統合人間ロボット共同計画システムを提案する。 第一に、不確実性軽減共同計画モジュールは、双方向の会話によって意味的あいまいさとオブジェクトの不確実性を解決することができる。 第2に、リアルタイムな意図認識協調モジュールは、人間の潜在タスク意図に対する確率論的信念を維持している。
• 参考スコア（独自算出の注目度）: 16.75873002054227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective human-robot collaboration in open-world environments requires joint planning under uncertain conditions. However, existing approaches often treat humans as passive supervisors, preventing autonomous agents from becoming human-like teammates that can actively model teammate behaviors, reason about knowledge gaps, query, and elicit responses through communication to resolve uncertainties. To address these limitations, we propose a unified human-robot joint planning system designed to tackle dual sources of uncertainty: task-relevant knowledge gaps and latent human intent. Our system operates in two complementary modes. First, an uncertainty-mitigation joint planning module enables two-way conversations to resolve semantic ambiguity and object uncertainty. It utilizes an LLM-assisted active elicitation mechanism and a hypothesis-augmented A^* search, subsequently computing an optimal querying policy via dynamic programming to minimize interaction and verification costs. Second, a real-time intent-aware collaboration module maintains a probabilistic belief over the human's latent task intent via spatial and directional cues, enabling dynamic, coordination-aware task selection for agents without explicit communication. We validate the proposed system in both Gazebo simulations and real-world UAV deployments integrated with a Vision-Language Model (VLM)-based 3D semantic perception pipeline. Experimental results demonstrate that the system significantly cuts the interaction cost by 51.9% in uncertainty-mitigation planning and reduces the task execution time by 25.4% in intent-aware cooperation compared to the baselines.
• Abstract（参考訳）: オープンワールド環境での効果的な人間とロボットのコラボレーションには、不確実な条件下での共同計画が必要である。 しかしながら、既存のアプローチでは、人間を受動的監督者として扱うことが多く、自律的なエージェントがチームメイト動作を積極的にモデル化し、知識ギャップの推論、クエリ、不確実性を解決するためのコミュニケーションによる応答を引き出す、人間のようなチームメイトになることを防いでいる。 これらの制約に対処するため、タスク関連知識ギャップと潜伏する人間の意図という2つの不確実性に対処するために、統合された人間ロボット共同計画システムを提案する。 私たちのシステムは2つの補完モードで動作します。 第一に、不確実性軽減共同計画モジュールは、双方向の会話によって意味的あいまいさとオブジェクトの不確実性を解決することができる。 LLM支援のアクティブ・エリケーション機構と仮説拡張されたA^*探索を利用して、動的プログラミングによる最適なクエリポリシーを計算し、相互作用と検証コストを最小限に抑える。 第2に、リアルタイムな意図認識協調モジュールは、空間的および方向的手がかりを介して人間の潜在タスク意図に対する確率的信念を維持し、明示的なコミュニケーションを伴わないエージェントに対する動的協調対応タスク選択を可能にする。 本稿では,VLM(Vision-Language Model)に基づく3Dセマンティック認識パイプラインと統合されたガゼボシミュレーションと実世界のUAVデプロイメントの両方において,提案システムの有効性を検証する。 実験の結果, 不確実性軽減計画において, インタラクションコストを51.9%削減し, 作業実行時間をベースラインに比べて25.4%削減した。

関連論文リスト

• Reasoning Knowledge-Gap in Drone Planning via LLM-based Active Elicitation [15.477731207334793]
  無人航空機(UAV)における人間とAIの共同計画は通常、環境の不確実性に直面した際の制御の引き渡しに依存している。 本稿では,協調パラダイムを制御テイクオーバからアクティブな情報提供に移行する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-08T22:00:32Z)
• Multi-Round Human-AI Collaboration with User-Specified Requirements [26.38833436936642]
  我々は、対実的害と相補性という2つの原則によって支配される人間中心の視点を採用する。 ユーザ定義ルールにより,これらの概念を形式化し,利用者が害と相補性の意味を正確に指定できるようにする。 非定常的相互作用のダイナミクスの下でも,我々のオンライン手続きは所定の反実的被害と相補的違反率を維持していることを示す。
  論文  参考訳（メタデータ） (2026-02-19T18:54:34Z)
• Platform-Aware Mission Planning [50.56223680851687]
  本稿では,PAMP(Platform-Aware Mission Planning)の問題を紹介する。 第1のベースラインアプローチはミッションレベルとプラットフォームレベル、第2のベースラインアプローチは抽象リファインメントループに基づいている。 提案手法の健全性と完全性を実証し,実験により検証する。
  論文  参考訳（メタデータ） (2025-01-16T16:20:37Z)
• Constrained Human-AI Cooperation: An Inclusive Embodied Social Intelligence Challenge [47.74313897705183]
  CHAICは、インボディードエージェントの社会的知覚と協力をテストするために設計された包括的インボディード・ソーシャル・インテリジェンス・チャレンジである。 CHAICの目標は、身体的制約の下で活動している可能性がある人間を支援するために、自我中心の観察装置を備えたエンボディエージェントである。
  論文  参考訳（メタデータ） (2024-11-04T04:41:12Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• Active Uncertainty Reduction for Safe and Efficient Interaction Planning: A Shielding-Aware Dual Control Approach [9.07774184840379]
  本稿では,暗黙的二重制御パラダイムに基づく対話型動作計画における能動的不確実性低減を実現するアルゴリズムを提案する。 提案手法は, 動的プログラミングのサンプリングに基づく近似に依拠し, リアルタイム勾配最適化法で容易に解けるモデル予測制御問題に導かれる。
  論文  参考訳（メタデータ） (2023-02-01T01:34:48Z)
• iCORPP: Interleaved Commonsense Reasoning and Probabilistic Planning on Robots [46.13039152809055]
  我々はiCORPPと呼ばれる新しいアルゴリズムを提案し、現在の世界状態を同時に推定し、世界ダイナミクスの推論を行い、タスク指向のコントローラを構築する。 結果は、競合するベースラインと比較して、スケーラビリティ、効率、適応性が大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2020-04-18T17:46:59Z)

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。