論文の概要: Robust Assembly State Reasoning from Action Recognition for Human-Robot Collaboration

• arxiv url: http://arxiv.org/abs/2606.20150v1
• Date: Thu, 18 Jun 2026 12:11:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.842408
• Title: Robust Assembly State Reasoning from Action Recognition for Human-Robot Collaboration
• Title（参考訳）: ロボット協調のための行動認識からのロバストアセンブリ状態推論
• Authors: James Fant-Male, Roel Pieters,
• Abstract要約: 本研究は,動作認識入力を用いた組立状態追跡手法を系統的に検討し,比較する。 ロジックベース、隠れマルコフモデル(HMM)、ニューラルネットワーク(NN)メソッドを含む、2つの多様なデータセットと5つの状態追跡アプローチを用いた調査。 その結果、NNおよびHMMメソッドは可変性に制限のあるタスクでうまく機能するが、他のシナリオではロジックベースのアプローチの方が堅牢である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human Action Recognition (HAR) is frequently investigated in Human-Robot Collaboration (HRC) research to understand what actions have been performed and hence the state of a collaborative task. Accurately tracking an assembly state from HAR is however not fully investigated, and in realistic scenarios is not a trivial task. This research systematically investigates and compares methods for tracking assembly state using action recognition inputs. Investigations using two diverse datasets and five state tracking approaches, including logic-based, Hidden Markov Model (HMM), and neural network (NN) methods, show that optimal approaches are not uniform across different tasks and that different methods fail under different circumstances. Testing is performed using both simulated inputs with varying noise levels and realistic inputs from a HAR model. Results show NN and HMM methods can perform well in tasks with limited variability, but for other scenarios logic-based approaches can be more robust. Methods which model expected action duration are also important for tasks with repeated actions where no additional sensing is provided.
• Abstract（参考訳）: 人間行動認識(HAR)は、人間-ロボットコラボレーション(HRC)研究において、何が実行されたのかを理解するために頻繁に研究される。 しかし、HARから正確なアセンブリ状態を追跡することは完全には研究されておらず、現実的なシナリオでは、簡単な作業ではない。 本研究は,動作認識入力を用いた組立状態追跡手法を系統的に検討し,比較する。 論理ベース、隠れマルコフモデル(HMM)、ニューラルネットワーク(NN)メソッドを含む2つの多様なデータセットと5つの状態追跡アプローチを用いた調査では、最適なアプローチは異なるタスク間で均一ではなく、異なるメソッドが異なる状況でフェールすることを示している。 ノイズレベルの異なる模擬入力とHARモデルからのリアル入力の両方を用いてテストを行う。 その結果、NNおよびHMMメソッドは可変性に制限のあるタスクでうまく機能するが、他のシナリオではロジックベースのアプローチの方が堅牢である。 また、追加のセンシングが提供されない反復的な動作を行うタスクに対して、期待される動作期間をモデル化する手法も重要である。

関連論文リスト

• Coarse-to-fine Q-Network with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
  本稿では,行動列上のQ値を出力する批判ネットワークを学習する,新しい値に基づく強化学習アルゴリズムを提案する。 実験により、CQN-ASは、様々なスパース逆ヒューマノイド制御およびテーブルトップ操作タスクにおいて、いくつかのベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-19T01:23:52Z)
• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• The impact of Compositionality in Zero-shot Multi-label action recognition for Object-based tasks [4.971065912401385]
  ゼロショットマルチラベル動作認識のための統一的なアプローチであるDual-VCLIPを提案する。 Dual-VCLIPは、マルチラベル画像分類のためのDualCoOp法を用いて、ゼロショット動作認識法であるVCLIPを強化する。 オブジェクトベースのアクションの大部分を含むCharadesデータセット上で,本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2024-05-14T15:28:48Z)
• Robust Activity Recognition for Adaptive Worker-Robot Interaction using Transfer Learning [0.0]
  本稿では,建設労働者の行動認識のための伝達学習手法を提案する。 開発したアルゴリズムは、オリジナルの著者によって事前訓練されたモデルから特徴を伝達し、それらを下流のアクティビティ認識タスクのために微調整する。 その結果, 微調整モデルでは, 異なるMMHタスクを頑健かつ適応的に認識できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-28T19:03:46Z)
• SeMAIL: Eliminating Distractors in Visual Imitation via Separated Models [22.472167814814448]
  本稿では,SeMAIL(Separated Model-based Adversarial Imitation Learning)というモデルベース模倣学習アルゴリズムを提案する。 本手法は, 様々な視覚的制御タスクにおいて, 複雑な観察と, 専門的な観察から異なる背景を持つより困難なタスクにおいて, ほぼ専門的な性能を実現する。
  論文  参考訳（メタデータ） (2023-06-19T04:33:44Z)
• SHREC 2022 Track on Online Detection of Heterogeneous Gestures [11.447098172408111]
  本稿では,3Dハンドポーズのシーケンスからヘテロジニアスなジェスチャーをオンライン認識する方法を評価するために組織されたコンテストの結果について述べる。 データセットは、ジェスチャーが重要でない動きとインターリーブされた手追跡データの連続的なシーケンスを特徴としている。 この評価は、検出性能だけでなく、レイテンシや偽陽性にも基づき、実用的な対話ツールの実現可能性を理解することができる。
  論文  参考訳（メタデータ） (2022-07-14T07:24:02Z)
• On Steering Multi-Annotations per Sample for Multi-Task Learning [79.98259057711044]
  マルチタスク学習の研究はコミュニティから大きな注目を集めている。 目覚ましい進歩にもかかわらず、異なるタスクを同時に学習するという課題はまだ検討されていない。 従来の研究は、異なるタスクから勾配を修正しようとするが、これらの手法はタスク間の関係の主観的な仮定を与え、修正された勾配はより正確でないかもしれない。 本稿では,タスク割り当てアプローチによってこの問題に対処する機構であるタスク割当(STA)を紹介し,各サンプルをランダムにタスクのサブセットに割り当てる。 さらなる進展のために、我々は全てのタスクを反復的に割り当てるためにInterleaved Task Allocation(ISTA)を提案する。
  論文  参考訳（メタデータ） (2022-03-06T11:57:18Z)
• Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and Contrastive Meta-Learning [51.03781020616402]
  現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。 そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。 粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
  論文  参考訳（メタデータ） (2021-08-15T02:21:01Z)
• Learning to associate detections for real-time multiple object tracking [0.0]
  本研究では, ニューラルネットワークを用いて, 検出に使用可能な類似性関数を学習する。 提案したトラッカーは最先端の手法で得られた結果と一致し、ベースラインとして使用される最近の類似手法よりも58%高速に動作している。
  論文  参考訳（メタデータ） (2020-07-12T17:08:41Z)

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。