論文の概要: HITL-D: Human In The Loop Diffusion Assisted Shared Control

• arxiv url: http://arxiv.org/abs/2605.21460v1
• Date: Wed, 20 May 2026 17:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.823853
• Title: HITL-D: Human In The Loop Diffusion Assisted Shared Control
• Title（参考訳）: HITL-D: ループ拡散を利用した共有制御
• Authors: Riley Zilka, Sergey Khlynovskiy, Allie Wang, Martin Jagersand,
• Abstract要約: Human-In-The-Loop Diffusion (HITL-D)は、マルチステップ、挿入、微調整タスクにおけるユーザパフォーマンスを向上させる共有制御フレームワークである。 12名の被験者を対象に行ったユーザスタディでは、HITL-Dは平均タスク完了時間を40%削減し、作業負荷を37%削減し、従来の遠隔操作方法と比較して、独立性、直感性、信頼度が改善された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous manipulation systems have achieved remarkable capabilities, yet the integration of human expertise with diffusion-based policies in shared control remains relatively unexplored. In this paper, we propose Human-In-The-Loop Diffusion (HITL-D), a shared control framework that enhances user performance in multi-step, insertion, and fine manipulation tasks. HITL-D leverages a novel combination of diffusion-based policies and human control to provide autonomous end effector orientation updates conditioned on a scene point cloud and the Cartesian position of the end effector. This approach reduces the number of joystick control axes required, thereby lowering mental workload. In a multi-task user study with 12 participants, HITL-D reduced average task completion times by 40%, decreased perceived workload by 37%, and improved Likert-scale ratings for independence, intuitiveness, and confidence compared to traditional teleoperation methods. These results demonstrate that HITL-D effectively integrates human expertise with autonomous assistance, improving both objective and subjective aspects of teleoperation.
• Abstract（参考訳）: 自律的な操作システムは目覚ましい能力を達成したが、共有制御における拡散ベースのポリシーと人間の専門知識の統合は、いまだに未解明のままである。 本稿では,多段階,挿入,微調整作業におけるユーザパフォーマンスを向上させる共有制御フレームワークであるHuman-In-The-Loop Diffusion (HITL-D)を提案する。 HITL-Dは、拡散ベースのポリシーと人間の制御を組み合わせた新しい組み合わせを活用し、シーンポイントクラウドとエンドエフェクターのカルテシアン位置を条件とした自律的なエンドエフェクタ配向更新を提供する。 このアプローチは、必要なジョイスティックコントロール軸の数を減らすことで、メンタルワークロードを減少させる。 12名の参加者によるマルチタスクユーザスタディでは、HITL-Dは平均タスク完了時間を40%削減し、認識された作業負荷を37%削減し、従来の遠隔操作方法と比較して、独立性、直感性、信頼性の向上を実現した。 これらの結果は、HITL-Dが人間の専門知識と自律的支援を効果的に統合し、遠隔操作の客観的側面と主観的側面の両方を改善していることを示している。

関連論文リスト

• Hand-in-the-Loop: Improving VLA Policies for Dexterous Manipulation via Seamless Hand-Arm Intervention [15.34162270431179]
  Hand-in-the-Loop (HandITL) は、人間の修正意図と自律的な政策実行をブレンドする。 HandITLは介入ジッタを99.8%削減し、介入後の堅牢な操作を維持する。 政策改善のための修正データ収集に使用される場合、HandITLは標準遠隔操作データで訓練された者より19%優れるポリシーを出力する。
  論文  参考訳（メタデータ） (2026-05-14T17:51:40Z)
• Towards Human-Like Manipulation through RL-Augmented Teleoperation and Mixture-of-Dexterous-Experts VLA [62.16042475700567]
  本稿では,遠隔操作データ収集を簡易化する共有自律型アシスタントIMCopilotを紹介する。 我々は、不均一な力と触覚モーダルを予め訓練されたVLAバックボーンにシームレスに統合するアーキテクチャであるMoDE-VLAを提案する。 我々は,複雑度を増大させる4つの課題に対するアプローチの有効性を検証し,厳密な接触量の多い課題におけるベースラインよりも2倍の成功率の向上を実証した。
  論文  参考訳（メタデータ） (2026-03-09T09:02:30Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• End-to-End Dexterous Arm-Hand VLA Policies via Shared Autonomy: VR Teleoperation Augmented by Autonomous Hand VLA Policy for Efficient Data Collection [10.217810309422232]
  マクロモーションとマイクロモーションの制御を分割するフレームワークを提案する。 人間のオペレーターが直感的なVR遠隔操作を通してロボットの腕のポーズをガイドします。 自律的なDexGrasp-VLAポリシは、リアルタイム触覚と視覚フィードバックを使用して、きめ細かい手制御を処理する。
  論文  参考訳（メタデータ） (2025-10-31T16:12:02Z)
• IntentionVLA: Generalizable and Efficient Embodied Intention Reasoning for Human-Robot Interaction [51.130510883952546]
  Vision-Language-Action(VLA)モデルは、事前訓練された視覚言語モデル(VLM)を活用して、ロボット制御との認識を両立させる。 カリキュラム学習パラダイムと効率的な推論機構を備えたVLAフレームワークである textbfIntentionVLA を提案する。 提案手法はまず,意図推論,空間的接地,コンパクトな具体的推論を組み合わせ,慎重に設計した推論データを活用する。
  論文  参考訳（メタデータ） (2025-10-09T04:49:46Z)
• Casper: Inferring Diverse Intents for Assistive Teleoperation with Vision Language Models [50.19518681574399]
  現実の遠隔操作における中心的な課題は、ロボットがユーザー制御入力から幅広い人間の意図を推測することである。 我々は、事前学習された視覚言語モデルに埋め込まれたコモンセンス知識を活用する、支援型遠隔操作システムであるCasperを紹介する。 我々は,Casperがタスク性能を改善し,人間の認知負荷を低減し,直接遠隔操作や補助遠隔操作のベースラインよりもユーザ満足度が高いことを示す。
  論文  参考訳（メタデータ） (2025-06-17T17:06:43Z)
• Learning Multimodal AI Algorithms for Amplifying Limited User Input into High-dimensional Control Space [7.504214864070018]
  現在の侵襲的補助技術は、重度麻痺患者の高次元運動制御信号を推定するために設計されている。 非侵襲的な代替手段は、しばしばアーティファクトを起こしやすい信号に依存し、長いユーザートレーニングを必要とし、厳密なタスクに対して堅牢な高次元制御を提供するのに苦労する。 本研究では、失われた運動機能に対するインテリジェント補償機構として、人間中心型マルチモーダルAIアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-16T15:31:40Z)
• DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
  高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。 DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。 当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
  論文  参考訳（メタデータ） (2024-11-27T18:03:26Z)
• Deep Reinforcement Learning for Haptic Shared Control in Unknown Tasks [1.0635248457021496]
  Haptic Share Control (HSC) は遠隔操作システムにおける直接遠隔操作の代替である。 仮想誘導力の応用は、ユーザの制御労力を減少させ、様々なタスクの実行時間を改善する。 課題は、実行中のタスクに対して最適なガイド力を提供するためのコントローラの開発にある。 この研究は、支援を提供するための深い決定論的ポリシー勾配(DDPG)アルゴリズムとタスク検出を実行するための畳み込みニューラルネットワーク(CNN)に基づいてコントローラを設計することで、この問題に対処する。
  論文  参考訳（メタデータ） (2021-01-15T17:27:38Z)

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。