論文の概要: NeuroCommitSSM: Decision-Centric Shared Autonomy for Safe Assistive Manipulation via EEG-EMG-ET Commit Readiness
- arxiv url: http://arxiv.org/abs/2607.15395v1
- Date: Thu, 16 Jul 2026 18:49:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.683137
- Title: NeuroCommitSSM: Decision-Centric Shared Autonomy for Safe Assistive Manipulation via EEG-EMG-ET Commit Readiness
- Title（参考訳）: NeuroCommitSSM:EEG-EMG-ETによる安全な補助操作のための意思決定中心共有自律性
- Abstract要約: 本稿では,支援ロボット操作における安全なコミット・ツー・エグゼクティブ制御のための決定中心のフレームワークであるNeuroCommitSSMを提案する。
NeuroCommitSSMは同期脳波(EEG)、筋電図(EMG)、視線追跡(ET)から[0,1]における連続的コミット可読性スコアc_tを予測する
ニューラルモデルからの持続的なコミット可読性信号とリアルタイム認識とロボット状態実現性の両方を必要とすることで、実行をゲートする。
- 参考スコア（独自算出の注目度）: 0.5130440339897478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present NeuroCommitSSM, a decision-centric framework that models when to execute, not just what to do, for safe commit-to-execute control in assistive robotic manipulation. NeuroCommitSSM predicts a continuous commit-readiness score c_t in [0,1] from synchronized electroencephalography (EEG), electromyography (EMG), and eye-tracking (ET), and converts it into discrete commit events through dwell and hysteresis filtering. A three-state finite-state supervisor, HOLD-ASSIST-COMMIT (HAC), gates execution by requiring both a sustained commit-readiness signal from the neural model and real-time perception and robot-state feasibility, including target visibility, inverse kinematics solvability, and collision-free planning, before initiating motion. We evaluate the framework on N=32 subjects performing five activities of daily living (ADL) tasks aligned with the International Classification of Functioning, Disability and Health (ICF), using leave-one-subject-out (LOSO) cross-validation and seven sensor-dropout scenarios (S0-S6). NeuroCommitSSM achieves 0.950 action-balanced accuracy with 0.75 false commit events per 1000 REST windows (FP/1k REST), and maintains low false commits and stable state transitions under sensor loss. For example, in the EEG-only condition, it achieves 0.785 balanced accuracy and 0.29 FP/1k REST, whereas the Temporal Convolutional Network baseline produces 99.95 FP/1k REST under the same condition. Hardware-in-the-loop (HIL) validation on a Kinova Gen3 arm shows that feasibility-checked execution reduces false starts and decision instability without sacrificing task success. Supplementary materials, including code, datasets, videos, and additional analyses, are available at https://madibabaiasl.github.io/NeuroCommitSSM/.
- Abstract（参考訳）: 我々はNuroCommitSSMという意思決定中心のフレームワークを紹介した。これは、ロボット操作のための安全なコミット・ツー・エグゼクティブ制御のために、実行すべきタイミングをモデル化する。
NeuroCommitSSMは、同期脳波(EEG)、筋電図(EMG)、眼球追跡(ET)から[0,1]における連続的コミット可読性スコアc_tを予測し、dwell と hysteresis filtering を通じて離散的なコミットイベントに変換する。
3状態有限状態スーパーバイザであるHOLD-ASSIST-COMMIT(HAC)は、動作を開始する前に、ニューラルモデルからの持続的なコミット可読性信号と、目標視認性、逆運動学の可解性、衝突のない計画を含むロボット状態実現性の両方を必要とする。
機能・障害・健康の国際分類(ICF)に沿った5つの日常生活(ADL)タスクを行うN=32被験者の枠組みを,LOSO(Left-one-subject-out)クロスバリデーションと7つのセンサ・ドロップアウトシナリオを用いて評価した(S0-S6)。
NeuroCommitSSM は 1000 REST ウィンドウ (FP/1k REST) あたり 0.75 の偽コミットイベントで 0.950 のアクションバランス精度を実現し、センサ損失下では低い偽コミットと安定した状態遷移を維持する。
例えば、EEGのみの状態では、0.785のバランスの取れた精度と0.29のFP/1k RESTを達成する一方、Temporal Convolutional Networkのベースラインは同じ条件下で99.95のFP/1k RESTを生成する。
Kinova Gen3 アーム上でのハードウェア・イン・ザ・ループ(HIL)検証は、実行可能性チェックによってタスクの成功を犠牲にすることなく、偽の開始と決定不安定を低減できることを示している。
コード、データセット、ビデオ、その他の分析を含む追加資料はhttps://madibabaiasl.github.io/NeuroCommitSSM/で入手できる。
関連論文リスト
- FARM: Reading Failure Signals from the Internal Predictive States of a Frozen Robotic World Model [6.91927885742938]
FARM(Failure-Aware Readout from World Models)は、凍結したVLA-JEPA予測状態上の33,985パラメータの読み取りのみを訓練する。
7つのソースタスクの5倍のアウトオブフォールド評価が85.68/88.59プールされたAUROC/AUPRCに到達し、FARMは10タスクのベンチマークでマッチした15のベースラインの中で最高のSeenパフォーマンスを提供する。
論文 参考訳（メタデータ） (2026-09-10T12:14:37Z) - SWE-Cycle: Benchmarking Code Agents across the Complete Issue Resolution Cycle [46.833916047516716]
SWE-Cycleは、489の厳格な自動コードエージェントのインスタンスのベンチマークである。
SWE-Judgeは静的コードレビューと動的テストを組み合わせて機能的正当性を正確に検証する。
その結果、分離されたタスクからFullCycle実行に移行する際の解決率の急落が明らかになった。
論文 参考訳（メタデータ） (2026-05-13T08:05:16Z) - EnactToM: An Evolving Benchmark for Functional Theory of Mind in Embodied Agents [75.01735520608075]
既存のベンチマークは、直観的信念を問うことで、主にリテラル・オブ・マインド(ToM)をテストする。
EnactToMは, 3D 家庭で設定された300個のマルチエージェントタスクの進化ベンチマークである。
ハードスプリットでは、7つの評価されたフロンティアモデルすべてが機能的なタスク完了時に0.0%のPass3を獲得し、リテラルな信念プローブでは平均45.0%であった。
論文 参考訳（メタデータ） (2026-05-11T00:04:19Z) - A Multimodal Pre-trained Network for Integrated EEG-Video Seizure Detection [25.989788685567607]
本稿では,脳波表現,最適トランスポートアライメント,双方向ビデオエンコーディングを組み合わせたフレームワークであるEEGFusionを提案する。
EEVFusionは0.9718のバランス精度を達成し、イベントFARを2.7250 FP/hから0.4833 FP/hに削減した。
脳波予知とOTアライメントが事象の感度を保ちながら誤警報を減少させることを示した。
論文 参考訳（メタデータ） (2026-04-29T07:43:14Z) - StableIDM: Stabilizing Inverse Dynamics Model against Manipulator Truncation via Spatio-Temporal Refinement [45.47890002128306]
逆ダイナミクスモデル(IDM)は、視覚的な観察を低レベルのアクションコマンドにマッピングする。
このような部分的観測可能性の下で,特徴を視覚入力から安定化し,動作予測を安定化するフレームワークであるStableIDMを提案する。
論文 参考訳（メタデータ） (2026-04-20T06:57:55Z) - Gradient-Free Continual Learning in Spiking Neural Networks via Inter-Spike Interval Regularization [4.190153363488523]
ニューラルネットワークの動的現実環境へのデプロイには,継続的な学習が不可欠だ。
我々は,SNN連続学習のための最初の勾配なしシナプス重要度指標であるISI-CVを提案する。
スプリット-MNIST, Permuted-MNIST, Split-FashionMNIST, およびスプリット-N-MNIST の4つのベンチマークを実ダイナミックビジョンセンサ(DVS)データを用いて評価した。
論文 参考訳（メタデータ） (2026-04-14T03:16:26Z) - Cognitive Friction: A Decision-Theoretic Framework for Bounded Deliberation in Tool-Using Agents [0.0]
制約のないツール使用エージェントは、どの情報ソースをクエリして実行するかを決めなければなりません。
本稿では,これらの障害モードを認知的摩擦によって形式化する決定論的枠組みであるTCAを提案する。
我々は,TCAを2つの制御された環境において,停止品質,混雑時の行動選択,時間的緊急性の分離を図った。
論文 参考訳（メタデータ） (2026-03-31T17:30:25Z) - RAPT: Model-Predictive Out-of-Distribution Detection and Failure Diagnosis for Sim-to-Real Humanoid Robots [1.5765892172285598]
本稿では,50Hzのヒューマノイド制御のための軽量で自己監督型展開時間モニタRAPTを提案する。
RAPTは,数値シミュレーションから確率的時間的確率多様体を学習し,実行時の予測偏差を評価する。
我々は,シミュレーションおよび物理ハードウェアにおける4つの複雑なタスクに対して,Unitree G1ヒューマノイド上でRAPTを評価する。
論文 参考訳（メタデータ） (2026-02-02T01:04:55Z) - Zero-Shot Detection of Elastic Transient Morphology Across Physical Systems [0.0]
干渉ひずみの過渡度から学習した表現は、未知のセンサのモルフォロジーに敏感な演算子として機能することを示す。
非ガウス楽器のグリッチを専門に訓練したニューラルエンコーダを用いて、圧延要素の軸受に対して厳密なゼロショット異常解析を行う。
論文 参考訳（メタデータ） (2026-01-16T16:35:07Z) - U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT [44.3806898357896]
U-Mamba2-SSLは,U-Mamba2モデル上に構築され,多段階の学習戦略を用いる,新しい半教師付き学習フレームワークである。
U-Mamba2-SSLは平均スコア0.789、DSC0.917を隠しテストセットで達成し、STSR 2025のタスク1で1位となった。
論文 参考訳（メタデータ） (2025-09-24T14:19:33Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である
CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。
CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文 参考訳（メタデータ） (2023-10-01T05:07:17Z)
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。