論文の概要: Anatomy of Uncertainty: Expressive Descriptors of Robotic Manipulator Motion for Non-verbal Communication in Human-Robot Collaboration
- arxiv url: http://arxiv.org/abs/2607.13696v1
- Date: Wed, 15 Jul 2026 10:48:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.746081
- Title: Anatomy of Uncertainty: Expressive Descriptors of Robotic Manipulator Motion for Non-verbal Communication in Human-Robot Collaboration
- Title（参考訳）: 不確実性の解剖:人間-ロボット協調における非言語コミュニケーションのためのロボットマニピュレータ運動の表現的記述
- Abstract要約: 本研究はロボットマニピュレータ運動による知覚の不確実性を表現する数学的枠組みを導入する。
動作中のロボットの不確実性を符号化し、将来の自律軌道生成を支援するための知覚的基盤を確立する。
- 参考スコア（独自算出の注目度）: 0.6576864734526405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robots operating in human-robot collaboration must communicate not only their intended actions but also uncertainty arising from incomplete or ambiguous perception. This work introduces a mathematical framework for expressing perceptual uncertainty through robotic manipulator motion. Drawing on Laban Movement Analysis, robot behavior is organized in a Commitment-Vigilance state space that maps uncertainty-related states - confidence, curiosity, hesitance, fear, and inactivity - to distinct Laban Effort signatures. Five motion primitives - approach, pause, retreat, exploration, and oscillation - are then parameterized using eleven kinematic and geometric descriptors, including acceleration, pause and retreat characteristics, gaze angles, tilt, and shiver amplitude. A video-based human-subject study evaluated recognition of four expressive trajectories and the influence of individual descriptors on perceived intensity. Participants reliably identified the intended behavioral states, while several descriptors significantly modulated expressiveness. The results establish a perceptually grounded basis for encoding robot uncertainty in motion and support future autonomous trajectory generation using parametric movement representations for collaborative tasks in shared environments. Code, videos, questionnaire and appendices are available at "https://bit.ly/github-aou".
- Abstract（参考訳）: 人間とロボットのコラボレーションで動くロボットは、意図した行動だけでなく、不完全または曖昧な知覚から生じる不確実性もコミュニケーションしなければならない。
本研究はロボットマニピュレータ運動による知覚の不確実性を表現する数学的枠組みを導入する。
ラバン・ムーブメント・アナリティクス(英語版)に基づき、ロボットの行動は、不確実性に関連する状態(自信、好奇心、ためらい、恐怖、不活動)をラバン・エフォートの署名にマッピングするコミット・ヴィジャランス状態空間に組織される。
5つの運動プリミティブ - 接近、停止、後退、探索、発振 - は、加速度、停止および後退特性、視角、傾き、シバー振幅を含む11の運動的および幾何学的記述子を使用してパラメータ化される。
4つの表現的軌跡の認識と個々の記述者が知覚強度に与える影響をビデオベース人間オブジェクトスタディで評価した。
参加者は意図した行動状態を確実に特定し、いくつかの記述子は表現性を著しく変調した。
その結果,ロボットの動作における不確実性を符号化し,協調作業のためのパラメトリック移動表現を用いた未来の自律軌道生成を支援するための知覚的基盤を確立した。
コード、ビデオ、アンケート、付録は"https://bit.ly/github-aou"で確認できる。
関連論文リスト
- Pose-Anchored Optical Flow for Low-Latency Human Action Anticipation in Human-Robot Teaming [0.4282159812965447]
PoseOFFは、人間の関節の周囲の局所的な運動情報をキャプチャする、ポーズアンコールされた光フロー表現である。
人間のポーズにおける動作特徴抽出の条件付けにより、PoseOFFは意味論的に意味のある身体位置における局所的な動きのダイナミクスを符号化する。
以上の結果から,PoseOFFにより,アクションシーケンスの少ないモデルでも,同等あるいは改善されたパフォーマンスを実現することが可能であることが示唆された。
論文 参考訳（メタデータ） (2026-08-26T08:07:19Z) - RGB-D Video Generation for Improving Human-to-Robot Object Handover Prediction [51.76737991200891]
H2R(Human-to-robot)オブジェクトハンドオーバは、人間とロボットのコラボレーションの基本的な能力である。
本稿では,RGB-DビデオデータセットであるHand2Botを紹介する。
ハンドオブジェクトの一貫性を確保しつつ,現実的なハンドオーバシーケンスを合成する生成パイプラインであるPassGenを提案する。
論文 参考訳（メタデータ） (2026-08-13T09:55:59Z) - Do Robots Need Body Language? Comparing Communication Modalities for Legible Motion Intent in Human-Shared Spaces [22.039354879428497]
ハイDoFロボットは、人々が意図的、意図的に読み取る動きを示しており、そのような手がかりがどのように認識されているかを理解することが重要である。
我々は,四足歩行ロボットの今後のナビゲーション動作を理解する能力について,さまざまなシグナリング・モダリティ,表現運動,光,テキスト,音声などを評価するオンラインビデオスタディを提案する。
論文 参考訳（メタデータ） (2026-04-03T20:53:05Z) - Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis [51.95817740348585]
Human-Xは、様々な実体をまたいだ没入的で物理的に妥当なヒューマンインタラクションを可能にするために設計された、新しいフレームワークである。
本手法は, 自己回帰型反応拡散プランナを用いて, リアルタイムに反応と反応を同時予測する。
我々のフレームワークは、人間とロボットのインタラクションのための仮想現実インターフェースを含む、現実世界のアプリケーションで検証されている。
論文 参考訳（メタデータ） (2025-08-04T06:35:48Z) - Recognizing Actions from Robotic View for Natural Human-Robot Interaction [52.00935005918032]
自然人-ロボットインタラクション(Natural Human-Robot Interaction, N-HRI)は、ロボット自身が動いているか静止しているかに関わらず、ロボットが様々な距離と状態で人間の行動を認識することを要求する。
N-HRIの既存のベンチマークは、限られたデータ、モダリティ、タスクカテゴリ、主題や環境の多様性のために、N-HRIのユニークな複雑さに対処できない。
モバイルサービスロボットで広く使われている知覚中心ロボットビューのための大規模データセット(Action from Robotic View)を紹介する。
論文 参考訳（メタデータ） (2025-07-30T09:48:34Z) - FABG : End-to-end Imitation Learning for Embodied Affective Human-Robot Interaction [3.8177867835232004]
本稿では,人間-ロボットインタラクションのためのエンドツーエンドの模倣学習システムであるFABG(Facial Affective Behavior Generation)を提案する。
我々は,立体空間を操作者が知覚できる没入型バーチャルリアリティ(VR)デモシステムを開発した。
実世界の25自由度ヒューマノイドロボットにFABGをデプロイし,その効果を4つの基本的なインタラクションタスクで検証する。
論文 参考訳（メタデータ） (2025-03-03T09:58:04Z) - Cyber-Physical Steganography in Robotic Motion Control [9.182884165239996]
本研究は,ロボット運動制御にステガノグラフィーパラダイムを導入することにより,実行可能なステガノグラフィー媒体の地平を広げることを目的とする。
ロボットの環境変化に対する固有の感度の観察に基づいて,ロボットエージェントの動作に影響を与える環境刺激としてメッセージを符号化し,その結果の運動軌跡からメッセージを復号する手法を提案する。
論文 参考訳（メタデータ） (2025-01-08T14:44:40Z) - EMOTION: Expressive Motion Sequence Generation for Humanoid Robots with In-Context Learning [10.266351600604612]
本稿では,ヒューマノイドロボットにおける表現型動き列を生成するためのEMOTIONというフレームワークを提案する。
本研究では,EMOTIONが生成する動作の自然性と理解性を比較したオンラインユーザ研究を行い,その人間フィードバックバージョンであるEMOTION++について述べる。
論文 参考訳（メタデータ） (2024-10-30T17:22:45Z) - ImitationNet: Unsupervised Human-to-Robot Motion Retargeting via Shared Latent Space [9.806227900768926]
本稿では,ロボットの動きに対する新しいディープラーニング手法を提案する。
本手法では,新しいロボットへの翻訳を容易にする,人間とロボットのペアデータを必要としない。
我々のモデルは、効率と精度の観点から、人間とロボットの類似性に関する既存の研究よりも優れています。
論文 参考訳（メタデータ） (2023-09-11T08:55:04Z) - Synthesis and Execution of Communicative Robotic Movements with
Generative Adversarial Networks [59.098560311521034]
我々は、繊細な物体を操作する際に人間が採用するのと同じキネマティクス変調を2つの異なるロボットプラットフォームに転送する方法に焦点を当てる。
我々は、ロボットのエンドエフェクターが採用する速度プロファイルを、異なる特徴を持つ物体を輸送する際に人間が何をするかに触発されて調整する。
我々は、人体キネマティクスの例を用いて訓練され、それらを一般化し、新しい有意義な速度プロファイルを生成する、新しいジェネレーティブ・アドバイサル・ネットワークアーキテクチャを利用する。
論文 参考訳（メタデータ） (2022-03-29T15:03:05Z) - From Movement Kinematics to Object Properties: Online Recognition of
Human Carefulness [112.28757246103099]
ロボットは、視覚だけで、人間のパートナーが物体を動かす際に注意を払っているかを、どのようにオンラインで推測できるかを示す。
我々は,低解像度カメラでも高い精度(最大81.3%)でこの推論を行うことができることを示した。
パートナーの行動を観察することによる動きの注意の迅速な認識により、ロボットはオブジェクトに対する行動に適応し、人間のパートナーと同じケアの度合いを示すことができる。
論文 参考訳（メタデータ） (2021-09-01T16:03:13Z) - Careful with That! Observation of Human Movements to Estimate Objects
Properties [106.925705883949]
我々は、物体の重さについての洞察を伝える人間の運動行動の特徴に焦点を当てる。
最後の目標は、ロボットがオブジェクトハンドリングに必要なケアの度合いを自律的に推測できるようにすることです。
論文 参考訳（メタデータ） (2021-03-02T08:14:56Z)
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。