論文の概要: Assistance Without Interruption: A Benchmark and LLM-based Framework for Non-Intrusive Human-Robot Assistance

• arxiv url: http://arxiv.org/abs/2605.01368v1
• Date: Sat, 02 May 2026 10:25:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.733352
• Title: Assistance Without Interruption: A Benchmark and LLM-based Framework for Non-Intrusive Human-Robot Assistance
• Title（参考訳）: 中断のない支援:非侵入型ロボット支援のためのベンチマークとLLMベースのフレームワーク
• Authors: Yuedi Zhang, Shuanghao Bai, Wanqi Zhou, Haoran Zhang, Qi Zhang, Zhirong Luan, Badong Chen,
• Abstract要約: 我々は、人間-ロボット相互作用(HRI)の独立したパラダイムとして、非侵入支援を形式化し、ベンチマークする。 直接命令や明示的な交渉,あるいはユーザの習慣や履歴に基づく積極的な介入に依存する従来のHRIタスクとは違って,我々のタスクは人間の計画を主要なプロセスとして扱い,いつ,何をすべきかという共同決定として支援を定式化する。 NIABenchと実世界のシナリオの総合的な実験により,本手法は作業効率を保ちながら人的労力を減らし,積極的かつ非侵襲的な支援を実現することを示す。
• 参考スコア（独自算出の注目度）: 44.10105182063131
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-robot interaction (HRI) has long studied how agents and people coordinate to achieve shared goals. In this work, we formalize and benchmark the non-intrusive assistance as an independent paradigm of HRI, where a robot proactively supports a human's ongoing multi-step activities while strictly avoiding interruptions. Unlike conventional HRI tasks that rely on direct commands, explicit negotiation, or proactive interventions based on user habits and history, our task treats the human's plan as the primary process and formulates assistance as a joint decision over when to act and what to do. To systematically evaluate this problem, we establish a simulation benchmark, NIABench, along with new metrics tailored to the non-intrusive assistance task. We further propose a hybrid architecture that integrates an LLM with a scoring model. The scoring model first applies semantic retrieval to prune large candidate action sets, and then a ranker evaluates human-step and robot-action pairs, enabling reasoning over timing and cross-step dependencies. Comprehensive experiments on both NIABench and real-world scenarios demonstrate that our method achieves proactive, non-intrusive assistance that reduces human effort while preserving task effectiveness.
• Abstract（参考訳）: HRI(Human-robot Interaction)は、エージェントと人々がどのように協調して共通の目標を達成するかを長年研究してきた。 本研究では,非侵襲的支援をHRIの独立したパラダイムとして定式化し,ロボットが割り込みを厳格に回避しつつ,人間の継続する多段階活動を積極的に支援する手法を提案する。 直接命令や明示的な交渉,あるいはユーザの習慣や履歴に基づく積極的な介入に依存する従来のHRIタスクとは違い,我々のタスクは人間の計画を主要なプロセスとして扱い,いつ,何をすべきかという共同決定として支援を定式化する。 この問題を体系的に評価するために,非侵襲的支援タスクに適した新しい指標とともに,シミュレーションベンチマークであるNIABenchを構築した。 さらに,LLMとスコアリングモデルを統合するハイブリッドアーキテクチャを提案する。 スコアリングモデルはまず大きなアクションセットのプーンに意味検索を適用し、次にランク付け器が人間のステップとロボットアクションのペアを評価し、タイミングとステップ間の依存関係の推論を可能にする。 NIABenchと実世界のシナリオの総合的な実験により,本手法は作業効率を保ちながら人的労力を減らし,積極的かつ非侵襲的な支援を実現することを示す。

関連論文リスト

• Replanning Human-Robot Collaborative Tasks with Vision-Language Models via Semantic and Physical Dual-Correction [7.668882674013904]
  人間-ロボット協調は、対話的でリアルタイムな人間の指示に基づいてロボットが動作を計画し調整できるようにすることによって、組み立て作業において重要な役割を果たす。 このような指示はしばしば言語的に曖昧で不明確であり、物理的に実現可能で協調的なロボット行動を生成することは困難である。 本稿では,VLMに基づく推論を二重補正機構で拡張するHRCフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T08:24:19Z)
• Learning to Evaluate Autonomous Behaviour in Human-Robot Interaction [26.765285050287247]
  軌道性能に着目し,Imitation Learning(IL)手法の質を評価する汎用評価フレームワークを提案する。 我々は,ロボット関節軌跡からの動作の分類を訓練した深層学習モデルNeMEを考案した。 我々は,人型ロボットであるergoCubの遠隔操作データを用いて,利用可能なプラットフォームに適したIL法の比較を行い,本フレームワークの有効性を検証した。
  論文  参考訳（メタデータ） (2025-07-08T21:12:57Z)
• 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)
• Large Language Model-based Human-Agent Collaboration for Complex Task Solving [94.3914058341565]
  複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。 Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。 このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
  論文  参考訳（メタデータ） (2024-02-20T11:03:36Z)
• Leveraging Sequentiality in Reinforcement Learning from a Single Demonstration [68.94506047556412]
  本稿では,複雑なロボットタスクの制御ポリシーを1つの実演で学習するために,シーケンシャルなバイアスを活用することを提案する。 本研究は, ヒューマノイド移動やスタンドアップなど, 模擬課題のいくつかを, 前例のないサンプル効率で解くことができることを示す。
  論文  参考訳（メタデータ） (2022-11-09T10:28:40Z)

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。