論文の概要: How Should We Teach Robots? A Comparison of Kinesthetic, Joystick, and Gesture-Based Teaching

• arxiv url: http://arxiv.org/abs/2605.28033v1
• Date: Wed, 27 May 2026 06:37:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.807358
• Title: How Should We Teach Robots? A Comparison of Kinesthetic, Joystick, and Gesture-Based Teaching
• Title（参考訳）: ロボットをどう教育するか : 審美性、ジョイスティック、ジェスチャに基づく教育の比較
• Authors: Petr Vanc, Jan Kristof Behrens, Václav Hlaváč, Karla Stepanova,
• Abstract要約: 本研究では,8人の被験者を対象に,審美的指導,ジョイスティック遠隔操作,手指ジェスチャーを比較した。 我々は、リプレイの成功、NASA-TLXの作業量の変更、および3つの操作タスクにまたがる一般的な教育エラーを評価する。
• 参考スコア（独自算出の注目度）: 2.099922236065961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instructing robots from demonstrations can be done through different teaching modalities, each with different usability and performance trade-offs. This paper compares kinesthetic guidance, joystick teleoperation, and hand gestures in a user study with eight participants. We evaluate replay success, modified NASA-TLX workload, and common teaching errors across three manipulation tasks. Kinesthetic guidance produced the shortest demonstrations, lowest workload, and highest success on the more orientation-sensitive and contact-rich tasks. Joystick teleoperation performed best on simple peg picking. Hand-gesture teaching, although less reliable overall, performed better than expected and in some cases achieved results comparable to kinesthetic guidance.
• Abstract（参考訳）: デモからロボットを教えることは、それぞれ異なるユーザビリティとパフォーマンストレードオフを持つ、異なる教育モダリティを通じて行うことができる。 本研究では,8人の被験者を対象に,審美的指導,ジョイスティック遠隔操作,手指ジェスチャーを比較した。 我々は、リプレイの成功、NASA-TLXの作業量の変更、および3つの操作タスクにまたがる一般的な教育エラーを評価する。 審美的指導は、最短のデモンストレーション、最低の作業負荷、よりオリエンテーションに敏感で接触に富んだタスクにおける最高成功を生み出した。 ジョイスティックの遠隔操作は単純なペグの摘みに最適であった。 総合的な信頼性は低いが, 予想よりも優れており, 体感指導に匹敵する結果が得られた。

関連論文リスト

• When a Robot is More Capable than a Human: Learning from Constrained Demonstrators [4.015444385806047]
  デモンストレーションから学んだ専門家は、審美的な教育、ジョイスティックコントロール、シム・トゥ・リアル・トランスファーといったインターフェースを使って、ロボットに複雑なタスクを教えることができる。 これらのインターフェースは、間接的な制御、セットアップの制限、ハードウェアの安全性による最適な動作を示す専門家の能力をしばしば制限する。 ロボットは、制約のある専門家が示したものよりも優れたポリシーを学べるだろうか? 我々は、エージェントが専門家の行動の直接の模倣を越えて、より短くより効率的な軌道を探索できるようにすることで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-10T07:48:12Z)
• Setup-Invariant Augmented Reality for Teaching by Demonstration with Surgical Robots [49.26692555627371]
  本稿では,dV-STEARというオープンソースのシステムについて紹介する。 dV-STEARは腹腔鏡下手術の基本課題の初級成績を有意に改善した。 両課題とも,dV-STEARを用いた被験者では,手指使用のバランスが有意に改善し,フラストレーションの低下が報告された。
  論文  参考訳（メタデータ） (2025-04-09T08:34:25Z)
• How to Train Your Robots? The Impact of Demonstration Modality on Imitation Learning [25.798669976935283]
  模倣学習は、ユーザが提供するデータを用いてロボットポリシーを学ぶための有望なアプローチである。 本研究は,体操教育,VRコントローラーを用いた遠隔操作,宇宙空間コントローラを用いた遠隔操作など,低コストな実証モダリティを比較した。 以上の結果から, 身体美学教育はロボットの制御において最も直感的に評価され, 最良下流学習性能のための清潔なデータを提供することがわかった。
  論文  参考訳（メタデータ） (2025-03-10T07:57:26Z)
• You Only Teach Once: Learn One-Shot Bimanual Robotic Manipulation from Video Demonstrations [38.835807227433335]
  双方向ロボット操作は、インテリジェンスを具現化した長年にわたる課題である。 両眼でのみ観察できるヨト(YOTO)を提案する。 YOTOは5つの複雑なロングホライゾンのバイマニュアルタスクを模倣することで、素晴らしいパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-01-24T03:26:41Z)
• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• How Can Everyday Users Efficiently Teach Robots by Demonstrations? [3.6145826787059643]
  本稿では,人間の教師に情報伝達の実証例を提案するための指標として,タスク関連情報エントロピーという不確実性の尺度を提案する。 その結果,教師のデモンストレーションからロボット学習効率が大幅に向上した。
  論文  参考訳（メタデータ） (2023-10-19T18:21:39Z)
• Human-oriented Representation Learning for Robotic Manipulation [64.59499047836637]
  人間は本質的に、操作作業において環境を効率的に探索し、相互作用することを可能にする、一般化可能な視覚表現を持っている。 我々は、このアイデアを、事前訓練された視覚エンコーダの上に、人間指向のマルチタスク微調整のレンズを通してフォーマル化する。 我々のタスクフュージョンデコーダは、下流操作ポリシー学習のための最先端の3つのビジュアルエンコーダの表現を一貫して改善する。
  論文  参考訳（メタデータ） (2023-10-04T17:59:38Z)
• Bottom-Up Skill Discovery from Unsegmented Demonstrations for Long-Horizon Robot Manipulation [55.31301153979621]
  我々は,実世界の長距離ロボット操作作業に,スキル発見による取り組みを行う。 未解決のデモンストレーションから再利用可能なスキルのライブラリを学ぶためのボトムアップアプローチを提案する。 提案手法は,多段階操作タスクにおける最先端の模倣学習手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-09-28T16:18:54Z)
• Learning Object Manipulation Skills via Approximate State Estimation from Real Videos [47.958512470724926]
  人間は、いくつかの指導ビデオを見て、新しいタスクを学ぶことに精通しています。 一方、新しいアクションを学習するロボットは、試行錯誤によって多くの労力を必要とするか、あるいは入手が困難な専門家によるデモを使う必要がある。 本稿では,ビデオから直接オブジェクト操作スキルを学習する手法について検討する。
  論文  参考訳（メタデータ） (2020-11-13T08:53:47Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)

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。