論文の概要: Personalized and Robust Proactive Robot Assistance with Uncertainty-Guided LLM Reasoning

• arxiv url: http://arxiv.org/abs/2606.08458v1
• Date: Sun, 07 Jun 2026 05:18:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.118365
• Title: Personalized and Robust Proactive Robot Assistance with Uncertainty-Guided LLM Reasoning
• Title（参考訳）: 不確かさ誘導型LDM推論による個人化・ロバスト能動ロボット支援
• Authors: Alvaro Gonzalez, M. H. Hasan Shovo, Ali Ayub,
• Abstract要約: 家庭環境における積極的ロボット支援は、ダイナミックでノイズの多い環境下での人間の活動と物体の使用を正確に予測する必要がある。 我々は,n時間マルコフモデルと不確実性誘導型大言語モデル(LLM)推論を組み合わせた軽量なフレームワークGLOBEを提案する。 その結果、GLOBEは最先端の手法と競合する性能を達成し、クリーンノイズの両設定における堅牢性と計算効率を改善した。
• 参考スコア（独自算出の注目度）: 4.243926243206826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proactive robot assistance in household environments requires accurate prediction of human activities and object usage under dynamic and noisy conditions. Existing approaches often rely on complex spatio-temporal models, which can be computationally expensive and sensitive to environmental variability. In this paper, we propose GLOBE, a lightweight framework that combines n-gram Markov models for capturing temporal behavioral patterns with uncertainty-guided large language model (LLM) reasoning. The framework performs sequential prediction efficiently while selectively invoking LLM reasoning only when the model confidence is low. To evaluate performance under realistic conditions, we introduce HOMER-Noise, a noisy extension of the HOMER+ dataset that simulates structured disturbances such as object movements caused by humans, pets, and toddlers. Experimental results show that GLOBE achieves competitive performance with state-of-the-art methods while improving robustness and computational efficiency across both clean and noisy settings. The framework is further validated through a proof-of-concept integration with a Stretch 3 mobile manipulator, demonstrating its potential application in real-world human-robot interaction scenarios.
• Abstract（参考訳）: 家庭環境における積極的ロボット支援は、ダイナミックでノイズの多い環境下での人間の活動と物体の使用を正確に予測する必要がある。 既存のアプローチはしばしば複雑な時空間モデルに依存しており、計算コストが高く、環境変動に敏感である。 本稿では,n-gram Markovモデルと不確実性誘導型大言語モデル(LLM)推論を併用した軽量フレームワークGLOBEを提案する。 モデル信頼度が低い場合にのみLCM推論を選択的に実行しながら、シーケンシャルな予測を効率よく行う。 現実的な条件下での性能を評価するため,HOMER+データセットの雑音拡張であるHOMER-Noiseを導入する。 実験結果から, GLOBEは最先端手法と競合する性能を示しながら, クリーンかつノイズの多い環境におけるロバスト性や計算効率を改善した。 このフレームワークはStretch 3モバイルマニピュレータと概念実証の統合を通じてさらに検証され、現実世界の人間とロボットの相互作用シナリオにおける潜在的な応用を実証している。

関連論文リスト

• Learning POMDP World Models from Observations with Language-Model Priors [52.11151769796862]
  部分的に観測可能なマルコフ決定プロセス(POMDP)は、内部世界モデルのための柔軟なモデリングクラスを提供する。 先行知識を活用することで,言語モデルがコストのかかる相互作用を低減できるかどうかを問う。 我々は,emphPinductor が LLM ベースの POMDP 学習手法の性能とサンプル効率に一致することを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:18:15Z)
• AgentNoiseBench: Benchmarking Robustness of Tool-Using LLM Agents Under Noisy Condition [72.24180896265192]
  本稿では,騒音環境下でのエージェントモデルのロバスト性を評価するためのフレームワークであるAgentNoiseBenchを紹介する。 まず、実世界のシナリオにおけるバイアスと不確実性の詳細な分析を行う。 次に,環境騒音をユーザノイズとツールノイズの2つの主要なタイプに分類する。 この分析に基づいて,既存のエージェント中心ベンチマークに制御可能なノイズを注入する自動パイプラインを開発した。
  論文  参考訳（メタデータ） (2026-02-11T20:33:10Z)
• UF-RNN: Real-Time Adaptive Motion Generation Using Uncertainty-Driven Foresight Prediction [4.849928323880955]
  状態が不確実な環境で効果的に動作するためのロボットの訓練は、ロボット工学における長年の課題である。 本稿では、標準時系列予測とアクティブな「フォレスト」モジュールを組み合わせたモデルである、不確実性駆動型フォレストリカレントニューラルネットワーク(UF-RNN)を提案する。 UF-RNNは、その潜在空間における自己誘起カオス力学を活用することにより、堅牢な適応を示す。 これらの結果は、不確実性駆動型フォレストを模倣学習パイプラインに統合することで、予測不可能な現実世界の状況に対処するロボットの能力を著しく向上させることができることを示唆している。
  論文  参考訳（メタデータ） (2025-10-11T13:44:20Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• LLMPhy: Complex Physical Reasoning Using Large Language Models and World Models [35.01842161084472]
  そこで我々は,TraySimという物理推論タスクとデータセットを提案する。 私たちのタスクは、外部の影響を受けるトレイ上のいくつかのオブジェクトのダイナミクスを予測することです。 LLMの物理知識とプログラム合成能力を活用するゼロショットブラックボックス最適化フレームワークであるLLMPhyを提案する。 この結果から,LLMと物理エンジンの組み合わせにより,最先端のゼロショット物理推論性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-11-12T18:56:58Z)
• Navigating the Human Maze: Real-Time Robot Pathfinding with Generative Imitation Learning [0.0]
  目標条件付き自己回帰モデルを導入し,個人間の複雑な相互作用を捉える。 このモデルは、潜在的なロボット軌道サンプルを処理し、周囲の個人の反応を予測する。
  論文  参考訳（メタデータ） (2024-08-07T14:32:41Z)
• Enhanced Human-Robot Collaboration using Constrained Probabilistic Human-Motion Prediction [5.501477817904299]
  本研究では,人間の関節の制約とシーンの制約を組み込んだ新しい動き予測フレームワークを提案する。 人間の腕のキネマティックモデルでテストされ、UR5ロボットアームと人間とロボットの協調的な設定で実装されている。
  論文  参考訳（メタデータ） (2023-10-05T05:12:14Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。