論文の概要: Adaptive Companionship for Group-Following Robots: Handling Dynamically Changing Group Formations

• arxiv url: http://arxiv.org/abs/2607.01287v1
• Date: Wed, 01 Jul 2026 10:24:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.524253
• Title: Adaptive Companionship for Group-Following Robots: Handling Dynamically Changing Group Formations
• Title（参考訳）: 群追従ロボットの適応的コンパニオンシップ:群形成を動的に変化させる
• Abstract要約: 視覚言語モデル(VLM)に基づく社会ロボットの適応型グループ伴奏手法を提案する。 提案手法は, 成功率の15%向上と衝突率の25%低減を, ベースラインアプローチと比較して効果的に行うことができる。
• 参考スコア（独自算出の注目度）: 0.5801044612920815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accompanying a group of humans is an essential aspect of developing human-like social cognition in robots. However, human groups typically do not follow fixed formations, which poses significant challenges for robots in maintaining natural companionship behaviors. In this paper, we propose an adaptive group-accompaniment method for social robots based on Vision-Language Models (VLMs), leveraging their semantic reasoning capabilities to infer companion positions, maintain social distances, and understand group dynamics. The members of the group are first detected, and a perceptual module generates visual representations of the interaction group space as input to the VLM, which is then combined with a Model Predictive Path Integral (MPPI) controller to ensure stability and safety. Experimental evaluations across five scenarios show that the proposed method enables robots to accompany the group effectively, demonstrating a 15\% improvement in success rate and a 25\% reduction in collision rate compared to baseline approaches. Additionally, a user study indicates that the generated companionship behaviors are perceived as natural and socially appropriate.
• Abstract（参考訳）: 人間の集団に対応することは、ロボットにおいて人間のような社会的認知を発達させる上で不可欠な側面である。 しかしながら、人間グループは一般に固定的な構成に従わないため、自然の仲間関係の行動を維持する上でロボットにとって大きな課題となる。 本稿では,視覚言語モデル(VLM)に基づく社会ロボットの適応型グループ伴奏手法を提案する。 グループのメンバーが最初に検出され、知覚モジュールがVLMへの入力として相互作用群空間の視覚的表現を生成し、モデル予測パス積分(MPPI)コントローラと組み合わせて安定性と安全性を確保する。 5つのシナリオにまたがる実験により,提案手法により,ロボットがグループを効果的に随伴し,成功率が15倍,衝突率が25倍に向上することを示した。 さらに, ユーザ調査では, 生成した共生行動が自然的, 社会的に適切であると認識されている。

関連論文リスト

• HRIBench: Benchmarking Interaction-Centric Human-Robot Collaboration [62.19372189311434]
  HRIBenchは,実行シナリオに基づいた意図認識型人間ロボットコラボレーションの診断ベンチマークである。 HRIBenchは、エージェントの役割、時間的依存、調整の制約、人間の振る舞いの分布を明示的にモデル化する構造化シナリオスクリプトとして、協調的なタスクを表現している。 その結果,現状の基盤ロボット政策は,操作能力が強いにもかかわらず,協調的な環境下では極めて困難であることが示唆された。
  論文  参考訳（メタデータ） (2026-07-05T09:15:35Z)
• The Individual-Targeting Assumption: A Systematic Review of Proactive Robots in Human Group Settings [8.26052743100074]
  2000年から2025年までの63のヒト-ロボット相互作用研究を概観する。 我々は、ロボットが人間を独立したエンゲージメントターゲットとして扱う、反復的な傾向である個人目標推定(ITA)を特定する。 ITAはコーパスの60.3%に存在し、ロボットが現在進行中の相互作用に埋め込まれた後に、ほとんど完全にグループ認識アプローチが出現する。 3つの障害モード、エンゲージメントの誤検出、社会的批准の盲目、傍観者の無視は、前向きなロボットが人間のグループと対話する際に繰り返されるパターンとして現れる。
  論文  参考訳（メタデータ） (2026-07-02T10:12:29Z)
• A Deep Reinforcement Learning Framework for Closed-loop Guidance of Fish Schools via Virtual Agents [2.5782420501870296]
  仮想エージェントを用いた魚学校の閉ループ指導のための深層強化学習フレームワークを提案する。 これらのエージェントは、シミュレーションにおいてPPO(Proximal Policy Optimization)を介して訓練されたポリシーによって制御され、ラムマイノイズテトラ(Petitella bleheri)を用いた物理実験に展開される。 生活者の行動に対処するため, 指向性指導と社会的結束のバランスをとるために, 複合報酬関数を設計する。
  論文  参考訳（メタデータ） (2026-03-30T09:10:02Z)
• Nested Training for Mutual Adaptation in Human-AI Teaming [30.247046563601202]
  既存のアプローチは、トレーニングパートナの多様性を改善して人間の振る舞いを近似することを目的としているが、これらのパートナは静的であり、人間の適応的な振る舞いを捉えることができない。 我々は,人間ロボットのチーム化シナリオを対話的部分観測可能なマルコフ決定プロセス (I-POMDP) としてモデル化し,その状態の一部としての人間の適応を明示的にモデル化する。 提案手法を,人間ロボットの協調作業用に設計された複数のベースラインエージェントと比較し,オーバークッキング領域における協調設定を必要とするマルチフェーズで学習する。
  論文  参考訳（メタデータ） (2026-02-18T23:07:48Z)
• Part-Aware Bottom-Up Group Reasoning for Fine-Grained Social Interaction Detection [82.70752567211251]
  本稿では,詳細なソーシャルインタラクション検出のためのボトムアップグループ推論フレームワークを提案する。 提案手法は,身体部分の特徴と対人関係を用いて,社会的グループとその相互作用を推定する。 モデルではまず個人を検知し,その特徴を部分認識的手がかりを用いて拡張し,類似性に基づく推論によって個人を連想させることによりグループ構成を推論する。
  論文  参考訳（メタデータ） (2025-11-05T17:33:03Z)
• HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
  HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。 私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
  論文  参考訳（メタデータ） (2025-09-12T09:38:17Z)
• Who Walks With You Matters: Perceiving Social Interactions with Groups for Pedestrian Trajectory Prediction [14.009392073139441]
  本稿では,GrouP ConCeption(GPCC)モデルを提案する。 GPCCモデルでは、軌道予測精度が大幅に向上し、社会的・個人的ダイナミクスをモデル化する上での有効性が検証された。
  論文  参考訳（メタデータ） (2024-12-03T11:47:33Z)
• Robot Interaction Behavior Generation based on Social Motion Forecasting for Human-Robot Interaction [9.806227900768926]
  本稿では,共有ロボット表現空間における社会的動き予測のモデル化を提案する。 ECHOは上記の共有空間で活動し、社会的シナリオで遭遇したエージェントの将来の動きを予測する。 我々は,多対人動作予測タスクにおけるモデルの評価を行い,最先端の性能を大きなマージンで獲得する。
  論文  参考訳（メタデータ） (2024-02-07T11:37:14Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Training Socially Aligned Language Models on Simulated Social Interactions [99.39979111807388]
  AIシステムにおける社会的アライメントは、確立された社会的価値に応じてこれらのモデルが振舞うことを保証することを目的としている。 現在の言語モデル(LM)は、トレーニングコーパスを独立して厳格に複製するように訓練されている。 本研究は,シミュレートされた社会的相互作用からLMを学習することのできる,新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T14:17:36Z)
• Data-driven emotional body language generation for social robotics [58.88028813371423]
  社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。 我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。 評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
  論文  参考訳（メタデータ） (2022-05-02T09:21:39Z)
• Self-supervised Social Relation Representation for Human Group Detection [18.38523753680367]
  人間のグループ検出のための新しい2段階のマルチヘッドフレームワークを提案する。 第1段階では,人間行動シミュレーター・ヘッドを提案し,ソーシャル・リレーション・フィーチャの埋め込みを学習する。 第2段階では,社会関係の埋め込みに基づいて,人間集団検出のための自己注意型ネットワークを開発する。
  論文  参考訳（メタデータ） (2022-03-08T04:26:07Z)

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。