論文の概要: AHEAD: Anticipatory Hand-Driven Teleoperation via Human Intent Prediction
- arxiv url: http://arxiv.org/abs/2607.15172v1
- Date: Thu, 16 Jul 2026 16:21:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.174855
- Title: AHEAD: Anticipatory Hand-Driven Teleoperation via Human Intent Prediction
- Title（参考訳）: AHEAD:人間の意図予測による予測的ハンド駆動遠隔操作
- Abstract要約: AHEADはリアルタイムVR遠隔操作システムで、オペレーターの意図を予測して、積極的に手動制御を可能にする。
AHEADは、ロボットの反応遅延を、ベースラインに対する0.6秒(オブジェクト)と1.4秒(スロット)に短縮する。
- 参考スコア（独自算出の注目度）: 15.569640550342674
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Direct hand-driven teleoperation maps an operator's hand motion to robot end-effector commands at every frame, enabling precise control, but it requires constant monitoring and correction during approach, grasp, and placement, which can be slow and fatiguing. For repetitive pick-and-place tasks, supervisory (goal-based) teleoperation simplifies this process: the operator specifies goals/waypoints, and the robot executes the motion using planning algorithms. Yet, this introduces latency, as the robot must wait for the next command before it can plan and act. "How can we reduce robot reaction time while lowering operator workload?" To tackle this question, we present AHEAD, a real-time VR teleoperation system that anticipates operator intent to enable proactive, hand-driven control. In a digital twin, the operator performs pick-and-place naturally, using hand motion to convey high-level commands rather than a continuous robot trajectory. AHEAD processes a short window of 3D hand and head signals together with scene context through an attention-based classifier to predict the intended grasp object and placement slot. A state machine converts intent predictions into stable robot goals, enabling early motion while remaining stable under noisy predictions and corrective hand movements. AHEAD's intent prediction module achieves Top1 accuracy: 76% for grasp objects and 76% for target slots. Moreover, our user study shows AHEAD reduces robot reaction latency by 0.6 s (object) and 1.4 s (slot) relative to baselines. Participants also reported lower operator load, indicating faster robot responses while maintaining low operator effort in practice.
- Abstract（参考訳）: 手動遠隔操作は、操作者の手の動きを各フレームでロボットのエンドエフェクターコマンドにマッピングし、正確な制御を可能にする。
繰り返しのピック・アンド・プレイスタスクでは、監督(ゴールベース)の遠隔操作がこのプロセスを単純化する:オペレータはゴール/ウェイポイントを指定し、ロボットは計画アルゴリズムを使用して動作を実行する。
しかし、ロボットは計画と動作に先立って次のコマンドを待つ必要があるため、遅延が発生する。
「作業負荷を下げながらロボットの反応時間を短縮するにはどうすればいいのか?」
この問題に対処するため,実時間VR遠隔操作システムであるAHEADを提案する。
デジタル双生児において、オペレータは、連続したロボット軌道ではなく、手の動きを使って自然にピック・アンド・プレイスを行い、高いレベルのコマンドを伝達する。
AHEADは、3Dハンドとヘッド信号のショートウインドウをアテンションベースの分類器を通してシーンコンテキストと共に処理し、意図した把握対象と配置スロットを予測する。
状態機械は、意図予測を安定したロボット目標に変換し、ノイズの多い予測や修正手の動きの下で安定しながら早期動作を可能にする。
AHEADの意図予測モジュールは、オブジェクトの把握に76%、ターゲットスロットに76%という、トップ1の精度を実現している。
さらに,AHEADはロボットの反応遅延を,ベースラインに対して0.6秒(オブジェクト)と1.4秒(スロット)削減する。
参加者はまた、オペレータの負荷を低く報告し、ロボットの応答がより速く、実際はオペレータの労力が低いことを示唆した。
関連論文リスト
- ETA: A New Agentic Paradigm for Embodied Tasks [76.25893120982523]
本稿では,デジタルエージェントを物理世界へ拡張するための新しいパラダイムであるEmbodied Task Agent(ETA)を紹介する。
ETAは、一度に1つのツールコールを選択するPlanner、実行を制御するInterface、結果と新鮮な観察を返送するWorldを中心にロボットを集中させる。
ETAは、置換可能なPlanner、構成可能なツールとスキル、監査可能なメモリ、再生可能なトラジェクトリ、シミュレーションと実際のロボットのための一般的なインターフェースを提供する。
論文 参考訳（メタデータ） (2026-08-04T16:56:09Z) - Towards Human-level Dexterous Teleoperation [62.77371751776912]
人レベルのデキスタラス遠隔操作は、動的手動物体接触による物体の動きを正確に制御する必要がある。
我々は,操作者の意図を学習された低レベルのコンタクト実行にマッピングするハンドオブジェクト・コトラッキング・コントローラであるTeleDexterを紹介した。
我々はTeleDexterを、物体の向きを変える7つの難易度遠隔操作タスクと、両手にわたる長距離ツールを用いて評価した。
論文 参考訳（メタデータ） (2026-07-13T12:36:47Z) - Uncertainty-Aware Intention Prediction for Human-to-Robot Assembly Teleoperation [8.460582272894202]
人間とロボットのコラボレーションを支援する遠隔操作では、タイムリーで信頼性の高いロボット支援を可能にするために、正確な意図予測が重要である。
本稿では,階層的伝達学習,フレームレベル予測セット,VLM誘導セグメント補正を組み合わせた不確実性を考慮した人間とロボットの意図予測フレームワークを提案する。
実験の結果、人間とロボットの微調整により、ロボットによるテストセットのエディットスコアが70.50から80.70に改善され、わずか16のロボットデモが実施された。
論文 参考訳（メタデータ） (2026-06-06T21:13:57Z) - Multiview Progress Prediction of Robot Activities [16.115236556856992]
本稿では,ロボット操作タスクにおける動作進行予測のためのマルチビューアーキテクチャを提案する。
モバイルALOHA実験は,提案手法の有効性を示す。
論文 参考訳（メタデータ） (2026-02-25T07:19:00Z) - Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics [55.05920313034645]
本稿では,ロボット制御に特化して具体的推論を強化するため,強化学習を活用した新しいフレームワークであるRobot-R1を紹介する。
DeepSeek-R1学習アプローチにインスパイアされたRobot-R1は、推論に基づく応答をサンプリングし、より正確な予測につながるものを強化する。
実験の結果,ロボットR1で訓練したモデルは,具体的推論タスクにおいて,SFT法よりも優れていた。
論文 参考訳（メタデータ） (2025-05-29T16:41:12Z) - Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。
私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。
学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
論文 参考訳（メタデータ） (2024-05-02T17:56:55Z) - Robot Trajectron: Trajectory Prediction-based Shared Control for Robot
Manipulation [2.273531916003657]
emphRobot Trajectron (RT) と呼ばれる新しい意図推定器を開発した。
RTは、その最近の位置、速度、加速度履歴に基づいて、ロボットの予測軌道の確率的表現を生成する。
我々は、RTの予測能力と潜在的到達目標の位置の表現を組み合わせた、新しい共有制御ソリューションを導出する。
論文 参考訳（メタデータ） (2024-02-04T14:18:20Z) - 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) - Preemptive Motion Planning for Human-to-Robot Indirect Placement
Handovers [12.827398121150386]
ロボットハンドオーバは,(1)直接ハンド・トゥ・ハンド,(2)間接ハンド・トゥ・プレイスメント・トゥ・ピックアップの2つのアプローチのどちらかを用いることができる。
このような怠慢な時間を最小化するためには、ロボットは、オブジェクトがどこに置かれるかという人間の意図を事前に予測する必要がある。
本稿では,ロボットが人間のエージェントの意図した配置位置へ先進的に移動できるようにする,新しい予測計画パイプラインを提案する。
論文 参考訳（メタデータ） (2022-03-01T00:21:39Z) - Prescient teleoperation of humanoid robots [6.230751621285322]
本研究では,ヒューマノイドロボットが実際に受信する前にコマンドを実行するシステムを提案する。
ロボットは機械学習モデルに問い合わせることで、将来的なコマンドを継続的に予測する。
オペレーターは、複数の全身操作タスクで最大2秒の遅延でヒューマノイドロボットをうまく制御することができた。
論文 参考訳（メタデータ） (2021-07-02T21:10:35Z) - Show Me What You Can Do: Capability Calibration on Reachable Workspace
for Human-Robot Collaboration [83.4081612443128]
本稿では,REMPを用いた短時間キャリブレーションにより,ロボットが到達できると考える非専門家と地道とのギャップを効果的に埋めることができることを示す。
この校正手順は,ユーザ認識の向上だけでなく,人間とロボットのコラボレーションの効率化にも寄与することを示す。
論文 参考訳（メタデータ） (2021-03-06T09:14:30Z) - Projection Mapping Implementation: Enabling Direct Externalization of
Perception Results and Action Intent to Improve Robot Explainability [62.03014078810652]
既存の非言語的手がかり、例えば目視や腕の動きに関する研究は、ロボットの内部状態を正確に示さないかもしれない。
状態をロボットの動作環境に直接投影することは、直接的で正確でより健全であるという利点がある。
論文 参考訳（メタデータ） (2020-10-05T18:16:20Z)
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。