論文の概要: Proximal State Nudging: Reducing Skill Atrophy from AI Assistance

• arxiv url: http://arxiv.org/abs/2605.20355v1
• Date: Tue, 19 May 2026 18:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.310994
• Title: Proximal State Nudging: Reducing Skill Atrophy from AI Assistance
• Title（参考訳）: 近位状態の栄養:AIアシストによるスキル萎縮の軽減
• Authors: Megha Srivastava, Jonathan Ouyang, Eric Zhou, Andrew Silva, Emily Sumner, Dorsa Sadigh, Yuchen Cui, Deepak Gopinath, Guy Rosman,
• Abstract要約: AI支援下での人間の能力の徐々に低下するスキル萎縮は、半自律システムの共有制御において安全性のリスクをもたらす。 本稿では,ユーザを最も学習しやすい状態へ誘導することで,スキル開発とタスクパフォーマンスを共同で最適化する共有自律アルゴリズムであるPximal State Nudging (PSN)を提案する。 PSNは、標準ブレンドされた共有自律よりも最大で7倍の非支援スキルを生み出し、一方、非支援の自己実践よりも50%少ない衝突を引き起こす。
• 参考スコア（独自算出の注目度）: 30.739971556876128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Skill atrophy, the gradual decline of human capability under AI assistance, poses a safety risk in shared-control of semi-autonomous systems, where operators may be unable to distinguish their own inputs from autonomous corrections. We propose Proximal State Nudging (PSN), a shared autonomy algorithm that jointly optimizes for skill development and task performance by nudging users toward states estimated to be most learnable. We first show that PSN outperforms existing shared autonomy baselines in balancing student improvement in unassisted reward with overall shared performance, using simulated students in the classic LunarLander environment. We then present, to the best of our knowledge, the first human subject studies of a planner incorporating learning-compatible shared autonomy: across two driving tasks in the CARLA simulator (High Performance Racing and Parallel Parking, n = 60), PSN produces up to 7x larger gains in unassisted skill than standard blended shared autonomy, while incurring 50% fewer collisions than unassisted self-practice.
• Abstract（参考訳）: AI支援下での人間の能力の徐々に低下するスキル萎縮は、オペレーターが自身の入力を自律的な修正と区別できないような半自律システムの共有制御において、安全リスクをもたらす。 本稿では,ユーザを最も学習しやすい状態へ誘導することで,スキル開発とタスクパフォーマンスを共同で最適化する共有自律アルゴリズムであるPximal State Nudging (PSN)を提案する。 我々はまず,従来のLunarLander環境においてシミュレーションされた学生を用いて,PSNが既存の共有自律性ベースラインより優れていることを示す。 CARLAシミュレーター(High Performance Racing and Parallel Parking, n = 60)における2つの駆動タスクにおいて、PSNは標準的な混合共有自律よりも最大で7倍の非支援スキルを生み出す一方で、非支援自己実践よりも50%少ない衝突を生じさせる。

関連論文リスト

• ADV-0: Closed-Loop Min-Max Adversarial Training for Long-Tail Robustness in Autonomous Driving [63.980630608984605]
  本稿では、ゼロサムマルコフゲームとして、駆動ポリシー(ディフェンダー)と敵エージェント(アタックラー)の相互作用を扱うクローズドループのmin-max最適化フレームワークであるADV-0を提案する。 これを実現するため,我々は動的敵の進化を反復的な選好学習とし,この最適性を効率的に近似し,アルゴリズムに依存しない解をゲームに提供する。 実験により、多様な安全クリティカルな障害を効果的に露呈し、学習方針と運動プランナーの両方の一般化可能性を大幅に向上させることが示されている。
  論文  参考訳（メタデータ） (2026-03-16T12:58:31Z)
• CoIRL-AD: Collaborative-Competitive Imitation-Reinforcement Learning in Latent World Models for Autonomous Driving [8.578450183245037]
  CoIRL-ADは、競合を防止しながら知識交換を促進する競合ベースのメカニズムを導入している。 nuScenesデータセットの実験では、ベースラインへの衝突速度が18%減少し、より強力な一般化とロングテールシナリオのパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2025-10-14T14:21:52Z)
• Shared Autonomy for Proximal Teaching [31.70561682131625]
  モータースキルの学習は、パーソナライズされた指導を提供する経験豊富な専門家を必要とすることが多い。 Z-COACHは、解釈可能なタスクサブスキルをターゲットにしたパーソナライズされた指導を提供するための共有自律性を利用する方法である。 ユーザスタディでは、Z-COACHが各学生が最初に行うべきスキルの特定に役立ち、運転時間、行動、スムーズさの全体的な改善につながることを示した。
  論文  参考訳（メタデータ） (2025-02-27T09:14:17Z)
• Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
  Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
  論文  参考訳（メタデータ） (2024-10-02T02:20:42Z)
• LOQA: Learning with Opponent Q-Learning Awareness [1.1666234644810896]
  本稿では,エージェントの個々のユーティリティを最適化する分散型強化学習アルゴリズムであるLearning with Opponent Q-Learning Awareness (LOQA)を紹介する。 LOQAは、Iterated Prisoner's DilemmaやCoin Gameのようなベンチマークシナリオで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-05-02T06:33:01Z)
• SELFI: Autonomous Self-Improvement with Reinforcement Learning for Social Navigation [54.97931304488993]
  体験と対話し、改善する自己改善ロボットは、ロボットシステムの現実的な展開の鍵となる。 本研究では,オンラインロボット体験を活用したオンライン学習手法であるSELFIを提案する。 本研究では, 衝突回避の観点からの改善と, より社会的に順応する行動について報告する。
  論文  参考訳（メタデータ） (2024-03-01T21:27:03Z)
• Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
  モデルに基づく強化学習手法であるIso-Dream++を提案する。 我々は、切り離された潜在的想像力に基づいて政策最適化を行う。 これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2023-03-27T02:55:56Z)
• Persistent Reinforcement Learning via Subgoal Curricula [114.83989499740193]
  VaPRL(Value-accelerated Persistent Reinforcement Learning)は、初期状態のカリキュラムを生成する。 VaPRLは、エピソード強化学習と比較して、3桁の精度で必要な介入を減らす。
  論文  参考訳（メタデータ） (2021-07-27T16:39:45Z)
• Learning to Optimize Autonomy in Competence-Aware Systems [32.3596917475882]
  体験を通して学習し、オンラインで更新する自律の内省モデルを提案する。 我々は、さまざまなレベルの自律性と利用可能な人間のフィードバックにおいて、自身の習熟度を明示的にモデル化する能力認識システム(CAS)を定義する。 我々はCASの収束特性を解析し、ロボット配送と自律運転領域の実験結果を提供する。
  論文  参考訳（メタデータ） (2020-03-17T14:31:45Z)

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。