論文の概要: Multi-Cycle Spatio-Temporal Adaptation in Human-Robot Teaming

• arxiv url: http://arxiv.org/abs/2604.19670v1
• Date: Tue, 21 Apr 2026 16:49:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.884453
• Title: Multi-Cycle Spatio-Temporal Adaptation in Human-Robot Teaming
• Title（参考訳）: ロボットチームにおける多サイクル時空間適応
• Authors: Alex Cuellar, Michael Hagenow, Julie Shah,
• Abstract要約: 本稿では,複数のサイクルにまたがって個人の空間的行動(運動経路)と時間的行動(タスク完了に必要な時間)をモデル化し,アプローチを統一する枠組みを提案する。 7-DOFロボットアームを用いたシミュレーションと物理ロボットシナリオにおけるアブレーション研究を通して、この二重適応の重要性を実証する。
• 参考スコア（独自算出の注目度）: 7.507798648267691
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective human-robot teaming is crucial for the practical deployment of robots in human workspaces. However, optimizing joint human-robot plans remains a challenge due to the difficulty of modeling individualized human capabilities and preferences. While prior research has leveraged the multi-cycle structure of domains like manufacturing to learn an individual's tendencies and adapt plans over repeated interactions, these techniques typically consider task-level and motion-level adaptation in isolation. Task-level methods optimize allocation and scheduling but often ignore spatial interference in close-proximity scenarios; conversely, motion-level methods focus on collision avoidance while ignoring the broader task context. This paper introduces RAPIDDS, a framework that unifies these approaches by modeling an individual's spatial behavior (motion paths) and temporal behavior (time required to complete tasks) over multiple cycles. RAPIDDS then jointly adapts task schedules and steers diffusion models of robot motions to maximize efficiency and minimize proximity accounting for these individualized models. We demonstrate the importance of this dual adaptation through an ablation study in simulation and a physical robot scenario using a 7-DOF robot arm. Finally, we present a user study (n=32) showing significant plan improvement compared to non-adaptive systems across both objective metrics, such as efficiency and proximity, and subjective measures, including fluency and user preference. See this paper's companion video at: https://youtu.be/55Q3lq1fINs.
• Abstract（参考訳）: 人間の作業空間におけるロボットの実践的展開には,効果的な人間ロボットの連携が不可欠である。 しかし、個人化された人間の能力や好みをモデル化することが困難であるため、共同ロボット計画の最適化は依然として課題である。 以前の研究では、製造のようなドメインの多サイクル構造を活用して個人の傾向を学習し、反復的な相互作用に計画を適用する一方で、これらの技術は通常、タスクレベルとモーションレベルを分離して適応することを検討する。 タスクレベルのメソッドはアロケーションとスケジューリングを最適化するが、近接確率シナリオにおける空間的干渉を無視することが多い。 本稿では,複数サイクルにわたる個人の空間的行動(運動経路)と時間的行動(タスク完了に必要な時間)をモデル化し,これらのアプローチを統一するフレームワークであるRAPIDDSを紹介する。 RAPIDDSはタスクスケジュールを共同で調整し、ロボットの動きの拡散モデルを操り、効率を最大化し、これらの個別化モデルの近接説明を最小化する。 7-DOFロボットアームを用いたシミュレーションと物理ロボットシナリオにおけるアブレーション研究を通して、この二重適応の重要性を実証する。 最後に, 効率や近接性などの客観的指標と, 流速やユーザの嗜好といった主観的尺度の両面において, 非適応システムと比較して, 大幅な計画改善を示すユーザスタディ(n=32)を提案する。 https://youtu.be/55Q3lq1fINs

関連論文リスト

• Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
  本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。 物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。 ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
  論文  参考訳（メタデータ） (2026-01-13T23:36:30Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Mitigating the Human-Robot Domain Discrepancy in Visual Pre-training for Robotic Manipulation [16.809190349155525]
  そこで本研究では,容易に利用可能な人間ロボットのビデオデータを利用して,ドメインギャップを埋める新しい適応パラダイムを提案する。 提案手法では,人間とロボットのビデオのセマンティクスを整列させるために,人間ロボットのアライメント損失を用いて,事前学習したモデルをパラメータ効率よくロボット領域に適応させる。
  論文  参考訳（メタデータ） (2024-06-20T11:57:46Z)
• Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments [54.39292848359306]
  本稿では,タスクのシーケンシング,割り当て,実行を最適化するタスクと動作計画の組み合わせを提案する。 このフレームワークはタスクとアクションの分離に依存しており、アクションはシンボル的タスクの幾何学的実現の可能な1つの可能性である。 ロボットアームと人間の作業員がモザイクを組み立てる共同製造シナリオにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-03-27T01:50:45Z)
• HARPS: An Online POMDP Framework for Human-Assisted Robotic Planning and Sensing [1.3678064890824186]
  HARPS(Human Assisted Robotic Planning and Sensing)フレームワークは、ロボットチームにおけるアクティブなセマンティックセンシングと計画のためのフレームワークである。 このアプローチにより、人間が不規則にモデル構造を強制し、不確実な環境で意味的なソフトデータの範囲を拡張することができる。 大規模部分構造環境におけるUAV対応ターゲット探索アプリケーションのシミュレーションは、時間と信念状態の推定において著しく改善されている。
  論文  参考訳（メタデータ） (2021-10-20T00:41:57Z)
• Leveraging Neural Network Gradients within Trajectory Optimization for Proactive Human-Robot Interactions [32.57882479132015]
  本稿では, トラジェクトリ最適化(TO)の解釈可能性と柔軟性を, 最先端の人間のトラジェクトリ予測モデルの予測能力と融合する枠組みを提案する。 我々は,最大10人の歩行者の群集を安全に効率的に移動させるロボットを必要とするマルチエージェントシナリオにおいて,我々のアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-12-02T08:43:36Z)

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。