論文の概要: Environment Design for Reliable Shared Autonomy with Probabilistic Guarantees
- arxiv url: http://arxiv.org/abs/2607.15487v1
- Date: Thu, 16 Jul 2026 22:23:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.714119
- Title: Environment Design for Reliable Shared Autonomy with Probabilistic Guarantees
- Title（参考訳）: 確率的保証を伴う信頼共有自律性のための環境設計
- Abstract要約: 共有された自律性により、人間とロボットは、人間の入力と自律的なアシストを組み合わせることで、協調的にタスクを実行することができる。
我々は,物体の物理的配置が,ノイズの多いユーザ入力下での候補目標の分離性に直接影響を与えることを観察した。
最適化されたレイアウトにより,目標推定の信頼性が向上し,ベースラインアレンジメントよりもあいまいさが低減されることを示す。
- 参考スコア（独自算出の注目度）: 39.56205884443965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Shared autonomy enables humans and robots to collaboratively perform tasks by combining human input with autonomous assistance. Most prior work focuses on improving intent inference under a fixed environment, overlooking how workspace design itself affects inference difficulty. We observe that the physical arrangement of objects directly influences the separability of candidate goals under noisy user inputs. We formulate workspace design as an optimization problem and derive a probabilistic correctness guarantee under a bounded noise model. Through simulation experiments across multiple tabletop scenarios, we show that optimized layouts improve goal inference reliability and reduce ambiguity compared to baseline arrangements. We further demonstrate a real-world shared autonomy system that integrates the proposed inference framework. This highlights the role of environment design as a complementary axis for improving shared autonomy systems.
- Abstract（参考訳）: 共有された自律性により、人間とロボットは、人間の入力と自律的なアシストを組み合わせることで、協調的にタスクを実行することができる。
以前の作業は、ワークスペース設計自体が推論の難しさにどのように影響するかを見越して、固定された環境下でのインテント推論の改善に重点を置いています。
我々は,物体の物理的配置が,ノイズの多いユーザ入力下での候補目標の分離性に直接影響を与えることを観察した。
我々は、最適化問題としてワークスペース設計を定式化し、有界雑音モデルの下で確率論的正当性を保証する。
複数のテーブルトップシナリオにまたがるシミュレーション実験により,最適化されたレイアウトにより,目標推定の信頼性が向上し,ベースラインアレンジメントよりもあいまいさが低減されることを示した。
さらに,提案した推論フレームワークを統合した実世界の共有自律システムを実証する。
これは、共有自律システムを改善するための補完軸としての環境設計の役割を強調します。
関連論文リスト
- Unified Prediction and Planning via Conflict-Aware Disjoint Parameter Training [45.15470201181512]
混雑した環境での社会ロボットナビゲーションには、周囲のエージェントの正確な予測と安全な計画が必要である。
本稿では,新しいモデルベースフレームワークであるDisjoint表現を提案する。
トレーニング(DPT) – コア機能を維持しながら、各タスクのキーパラメータ領域を分離する。
DPTは、様々なマージ手法と並行して適用することができる。
論文 参考訳（メタデータ） (2026-07-22T09:54:22Z) - Resource-Constrained Affect Modelling via Variance Regularisation Pruning [1.4323566945483497]
本稿では、分散化プロセスに相互参加安定性を組み込んだプルーニングフレームワークであるVariance-Regularized Pruning(VR)を紹介する。
本研究では,9つのゲーム環境にまたがって収集された覚醒アノテーションを含むAGAINデータセットに対する提案手法を評価する。
論文 参考訳（メタデータ） (2026-05-26T12:05:13Z) - COSMIC: Concurrent Optimization of Structure, Material, and Integrated Control for robotic systems [9.321828591115567]
ほとんどのロボットシステムは構造、材料、移動を別々に設計している。
この分離は、しばしば準最適設計につながるが、これらの実体の個人的および集団的貢献は今も残っている。
本稿では,物質設計,移動,その他の複雑な自律行動を同時に最適化する,ランドスケープに基づく協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-12T19:00:01Z) - CoEnv: Driving Embodied Multi-Agent Collaboration via Compositional Environment [54.84167973913561]
CoEnvは、安全な戦略探索のためにシミュレーションを活用するフレームワークであり、信頼性の高い現実世界のデプロイメントを保証する。
CoEnvは、物理的なワークスペースをデジタル化するリアル・ツー・シムのシーン再構築、コードベースの軌道生成によるリアルタイム計画と安全な配置のための衝突検出によるシム・トゥ・リアル転送の両方をサポートするVLM駆動のアクション合成という3つの段階を経験している。
論文 参考訳（メタデータ） (2026-04-07T06:24:41Z) - UniMotion: A Unified Motion Framework for Simulation, Prediction and Planning [60.55873455475112]
動作タスク間の共有構造をキャプチャする統合モーションフレームワークUniMotionを提案する。
UniMotionは、これらの動作タスクを同時にサポートするために、専用のインタラクションモードと調整されたトレーニング戦略を採用している。
さらなる微調整により、UniMotionはさまざまな動作タスクにおける最先端のパフォーマンスを達成し、自動運転のための汎用的でスケーラブルなソリューションとして確立する。
論文 参考訳（メタデータ） (2026-01-31T07:12:26Z) - Federated Attention: A Distributed Paradigm for Collaborative LLM Inference over Edge Networks [63.541114376141735]
大規模言語モデル(LLM)は、さまざまなアプリケーションシナリオにまたがってインテリジェントな機能を提供しながら、急速に普及しています。
しかし、彼らの共同シナリオにおける実践的なデプロイは、プライバシの脆弱性、通信オーバーヘッド、計算ボトルネックといった根本的な課題に直面します。
我々はフェデレート・アテンション(FedAttn)を提案し、フェデレーション・パラダイムを自己注意機構に統合する。
論文 参考訳（メタデータ） (2025-11-04T15:14:58Z) - SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。
提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
論文 参考訳（メタデータ） (2025-05-22T15:44:30Z) - Towards Autonomous Experimentation: Bayesian Optimization over Problem Formulation Space for Accelerated Alloy Development [0.31457219084519]
問題定式化空間上のベイズ最適化を利用して最適な設計定式化を同定する新しい枠組みを提案する。
ガスタービンエンジンブレード応用を目的としたMo-Nb-Ti-V-W合金系におけるインサイリコケーススタディにより,本手法の有効性を実証した。
今後は、人間のフィードバックを取り入れて、実世界の実験環境におけるシステムの適応性をさらに強化していく予定だ。
論文 参考訳（メタデータ） (2025-02-09T01:05:58Z) - Towards Full-scene Domain Generalization in Multi-agent Collaborative Bird's Eye View Segmentation for Connected and Autonomous Driving [49.03947018718156]
協調的な知覚の訓練と推論の段階で利用される統合されたドメイン一般化フレームワークを提案する。
また、システム内ドメインアライメント機構を導入し、コネクテッドおよび自律走行車間のドメインの差を減らし、潜在的に排除する。
論文 参考訳（メタデータ） (2023-11-28T12:52:49Z) - Diversity Induced Environment Design via Self-Play [9.172096093540357]
本研究では,与えられたレベルを表す観測・隠蔽状態を特定するタスク非依存の手法を提案する。
この手法の結果は, 2つのレベル間の多様性を特徴付けるために利用され, 有効性能に欠かせないことが示されている。
さらに, サンプリング効率を向上させるために, 環境生成装置がトレーニングエージェントに有利な環境を自動的に生成する自己再生技術を導入する。
論文 参考訳（メタデータ） (2023-02-04T07:31:36Z)
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。