論文の概要: A Bayesian framework for the uncanny valley in humanoid robot design
- arxiv url: http://arxiv.org/abs/2607.13060v1
- Date: Tue, 07 Jul 2026 06:12:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.514601
- Title: A Bayesian framework for the uncanny valley in humanoid robot design
- Title（参考訳）: ヒューマノイドロボット設計における不気味な谷のベイズ的枠組み
- Abstract要約: ロボットをより人間らしくすることで、親近感を増すのではなく、減らすことができる。
本稿では,既存のガイドラインを数学的設計変数として運用する階層型ベイズ生成モデルを提案する。
このフレームワークは、経験的不毛の野蛮人をアルゴリズムでヒューマノイドロボットの外観と行動を評価し、最適化するための計算基盤に変える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The uncanny valley is a long-standing empirical rule in humanoid robot design: making robots more human-like can reduce, rather than increase, affinity. Yet existing guidelines, such as adopting robot-like appearances, avoiding excessive realism, and reducing cross-modal mismatches, remain difficult to use for algorithmic design because they are not expressed as manipulable variables. Here, we propose a hierarchical Bayesian generative model that operationalizes these guidelines as mathematical design variables. The model represents affinity toward humanoid robots as posterior-weighted negative category-conditional surprise and explains category ambiguity and perceptual mismatch as increases in surprise. It maps uncanny-valley mechanisms onto four variables: deviation from the predicted robot-category mean, inconsistency in human likeness across modalities, prediction uncertainty, and observational uncertainty. Simulations showed that category ambiguity and appearance--motion mismatch can produce affinity reductions, and that uncertainty reshapes the valley. In a human-subject experiment with robot--human morphing images, we manipulated prediction uncertainty using blurred prior robot stimuli and observational uncertainty using blurred evaluation stimuli. Increased observational uncertainty attenuated the decrease in familiarity ratings at intermediate human likeness, whereas low prediction uncertainty increased ratings for robot-like appearances. This framework turns empirical uncanny-valley heuristics into a computational basis for algorithmically evaluating and optimizing humanoid robot appearance and behavior.
- Abstract（参考訳）: この不気味な谷は、ヒューマノイドロボットの設計における長年の経験則だ。
しかし、ロボットのような外観の採用、過剰なリアリズムの回避、モダクティブなミスマッチの削減といった既存のガイドラインは、マニピュラ変数として表現されないため、アルゴリズム設計に使用するのは難しいままである。
本稿では,これらのガイドラインを数学的設計変数として運用する階層型ベイズ生成モデルを提案する。
このモデルは、ヒューマノイドロボットに対する親和性を、後重み付けされた負のカテゴリー条件のサプライズとして表現し、サプライズの増加に伴って、カテゴリーのあいまいさと知覚的ミスマッチを説明する。
それは、予測されたロボットカテゴリー平均からの逸脱、モーダル性を越えた人間の類似性の不整合、予測の不確実性、そして観察の不確実性である。
シミュレーションにより、カテゴリーの曖昧さと外見のミスマッチが親和性低下を招き、不確実性が谷に悪影響を及ぼすことが示された。
ロボットと人間のモーフィング画像を用いた人物体実験において、ぼやけた事前ロボット刺激とぼやけた評価刺激を用いた観察的不確実性を用いて予測不確かさを操作した。
観察的不確実性の増加は、中間人間の類似性における親しみやすさの低下を減らし、低い予測の不確実性はロボットのような外観に対する評価を増加させた。
このフレームワークは、ヒューマノイドロボットの外観と振舞いをアルゴリズムで評価し最適化するための、経験的不気味な大雑把なヒューリスティックスを計算基盤に変える。
関連論文リスト
- GazeVLA: Learning Human Intention for Robotic Manipulation [22.106797717672293]
エボディード・ファンデーション・モデルは、ロボット操作において大きなブレークスルーを達成したが、それでも大規模なロボットのデモンストレーションに大きく依存している。
人間の行動の根底にある意図は、このギャップを埋めるための強力な中間表現として役立つと我々は主張する。
本稿では,ロボット操作を容易にするための人間の意図を明示的に学習し,伝達する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-24T14:46:03Z) - A Causal Approach to Predicting and Improving Human Perceptions of Social Navigation Robots [0.9134244356393665]
Causal Networkは、人々がモバイルロボットの能力をどのように認識し、ナビゲーション中にその意図をどう解釈するかを予測するように設計されている。
低能力ロボット行動の知覚能力は,統計的に83%向上した。
論文 参考訳（メタデータ） (2026-03-11T20:39:11Z) - EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration [67.13034606664333]
EgoHumanoidは、エゴセントリックな人間のデモを使って視覚言語アクションポリシーを共同訓練する最初のフレームワークである。
スケーラブルな人的データ収集のためのポータブルシステムを開発した。
論文 参考訳（メタデータ） (2026-02-10T18:59:03Z) - Adapting Robot's Explanation for Failures Based on Observed Human Behavior in Human-Robot Collaboration [6.047608758920625]
障害の種類や説明レベルの違いに応じて,人間の行動がどう変化したかを分析した。
我々は、ロボット故障の説明中に人間の混乱を予測するために、データ駆動予測器を定式化する。
論文 参考訳（メタデータ） (2025-04-13T20:49:43Z) - HAPI: A Model for Learning Robot Facial Expressions from Human Preferences [4.250785086838609]
本稿では,この相違に対処するために,人間のフィードバックを活用する新しい学習 to ランクフレームワークを提案する。
提案手法は,アンガー,幸福,サプライズをベースラインや専門家が設計した手法よりもはるかに現実的で社会的に共鳴する表現を生成する。
論文 参考訳（メタデータ） (2025-03-21T11:04:01Z) - Adaptive Motion Generation Using Uncertainty-Driven Foresight Prediction [2.2120851074630177]
環境の不確実性は、現実のロボットタスクを実行する際には、長年、扱いにくい特徴だった。
本稿では,動的内部シミュレーションを用いたフォレスト予測を用いた既存の予測学習に基づくロボット制御手法を拡張した。
その結果,提案モデルではドアとの相互作用により動作が適応的に分岐し,従来の手法では安定に分岐しなかった。
論文 参考訳（メタデータ） (2024-10-01T15:13:27Z) - Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。
我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。
感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文 参考訳（メタデータ） (2023-06-16T17:58:10Z) - Distributional Instance Segmentation: Modeling Uncertainty and High
Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。
ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。
本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
論文 参考訳（メタデータ） (2023-05-03T05:57:29Z) - 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) - Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
本稿では,人間の動作予測のための確率モデルを提案する。
我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。
我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2021-07-14T09:05:33Z) - Joint Inference of States, Robot Knowledge, and Human (False-)Beliefs [90.20235972293801]
本稿では,人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)の認知能力が,ロボットとの相互作用にどのように影響するかを理解するために,対象状態,ロボット知識,人間(時間的)の認知能力の表現にグラフィカルモデルを採用することを提案する。
推論アルゴリズムは、複数のビューにまたがる全てのロボットから個別のpgを融合し、単一のビューから発生したエラーを克服するより効果的な推論能力を得る。
論文 参考訳（メタデータ） (2020-04-25T23:02:04Z)
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。