論文の概要: Learning Personalized Safety Interventions for Haptic Human-Robot Shared Control

• arxiv url: http://arxiv.org/abs/2607.19534v1
• Date: Tue, 21 Jul 2026 19:28:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.914109
• Title: Learning Personalized Safety Interventions for Haptic Human-Robot Shared Control
• Title（参考訳）: 触覚的人間ロボット共有制御のためのパーソナライズされた安全対策の学習
• Abstract要約: 本稿では,スパースデモからユーザ優先の安全介入を学習する,ハプティックスからの学習フレームワークを提案する。 我々のフレームワークは、CBFベースの最適化層上に構築されている。 得られた触覚誘導は、触覚共有制御の直感的な相互作用を保ちながら、実証された介入嗜好を反映する。
• 参考スコア（独自算出の注目度）: 5.112552811119438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Haptic feedback provides an implicit channel for communicating safety intentions during human-robot shared control. Existing haptic guidance systems typically employ predefined intervention strategies that cannot accommodate the diverse safety preferences of individual users or application scenarios. To address this limitation, we propose a Learning from Haptics (LfH) framework that learns user-preferred safety interventions from sparse demonstrations, eliminating the need for manual trial-and-error design. Our framework is built on a differentiable Control Barrier Function (CBF)-based optimization layer that automatically adjusts the underlying safety parameters to match the demonstrated haptic responses. Instead of tuning controller parameters directly, users teach the system how they expect it to intervene during teleoperation. The resulting haptic guidance reflects the demonstrated intervention preferences while preserving the intuitive interaction of haptic shared control. Simulation and hardware experiments demonstrate that the proposed framework can learn personalized safety interventions from sparse user input and reduce the mismatch between the generated haptic feedback and the demonstrated preferences.
• Abstract（参考訳）: 触覚フィードバックは、人間-ロボット共用制御時の安全意図を伝える暗黙のチャネルを提供する。 既存の触覚誘導システムは、通常、個々のユーザやアプリケーションシナリオの多様な安全性に適応できない事前定義された介入戦略を採用している。 この制限に対処するため,手動による試行錯誤設計の必要性を排除し,ユーザ優先の安全介入をスパースデモから学習するLearning from Haptics (LfH)フレームワークを提案する。 本フレームワークは,制御バリア関数(CBF)をベースとした最適化層上に構築されている。 コントローラパラメータを直接チューニングするのではなく、ユーザは遠隔操作中にどのように介入するかをシステムに教える。 得られた触覚誘導は、触覚共有制御の直感的な相互作用を保ちながら、実証された介入嗜好を反映する。 シミュレーションおよびハードウェア実験により,提案フレームワークは,ユーザ入力からパーソナライズされた安全介入を学習し,生成した触覚フィードバックと実証された嗜好とのミスマッチを低減することができることを示した。

関連論文リスト

• Differentiable Optimization Layered Safety-Critical Control for Risk-Aware Navigation via Conformal Prediction [16.10361545309497]
  本稿では,共形予測に基づく可変層型安全クリティカル制御手法を提案する。 センサノイズによる不確実性に対処するため、楕円形ロボットの周囲にリスク認識された障害物楕円体を生成するために、コンフォメーション予測法を用いる。
  論文  参考訳（メタデータ） (2026-05-05T11:26:07Z)
• CORA: Conformal Risk-Controlled Agents for Safeguarded Mobile GUI Automation [68.53387633351484]
  有害な行為に対する統計的保証を提供するポスト・ポリティクス・プレアクション保護フレームワークであるCORA(Conformal Risk-control GUI Agent)を提案する。 CORAは、安全を選択的行動実行として再定義する:我々は、提案されたステップごとに行動条件リスクを推定するためにガーディアンモデルを訓練する。 このパラダイムを厳格に評価するために、ステップレベルのハーモラベルを持つモバイル安全違反の新しいベンチマークであるPhone-Harmを紹介する。
  論文  参考訳（メタデータ） (2026-04-10T09:41:21Z)
• Control Without Control: Defining Implicit Interaction Paradigms for Autonomous Assistive Robots [27.314199060022943]
  従来開発された2つのシステムを設計事例として提示し、暗黙的な制御を探索する。 暗黙的な制御では、自律ロボットの動作は、いくつかの直接的な入力ではなく、ユーザの自然な振る舞いの手がかりに基づいて修正される。 両事例の定性的フィードバックの新たなテーマ分析から,効果的な暗黙的制御のための設計により,認識された作業負荷の低減とユーザの制御感覚の維持が可能であることがわかった。
  論文  参考訳（メタデータ） (2026-03-30T06:33:32Z)
• Learning Neural Control Barrier Functions from Expert Demonstrations using Inverse Constraint Learning [1.7235805533661985]
  我々は、安全、すなわち制御された前方不変集合に属することを考慮し、システムの状態を分類する制約関数を訓練する。 次に、その関数を使用して、新しいシミュレートされた軌道のセットをラベル付けし、神経CBFをトレーニングします。 4つの異なる環境において、我々のアプローチを実証的に評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-24T15:20:34Z)
• Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
  我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。 安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。 複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
  論文  参考訳（メタデータ） (2025-08-17T23:46:36Z)
• Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
  本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。 提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。 これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
  論文  参考訳（メタデータ） (2025-04-30T13:47:25Z)
• Active Uncertainty Reduction for Safe and Efficient Interaction Planning: A Shielding-Aware Dual Control Approach [9.07774184840379]
  本稿では,暗黙的二重制御パラダイムに基づく対話型動作計画における能動的不確実性低減を実現するアルゴリズムを提案する。 提案手法は, 動的プログラミングのサンプリングに基づく近似に依拠し, リアルタイム勾配最適化法で容易に解けるモデル予測制御問題に導かれる。
  論文  参考訳（メタデータ） (2023-02-01T01:34:48Z)
• In-Distribution Barrier Functions: Self-Supervised Policy Filters that Avoid Out-of-Distribution States [84.24300005271185]
  本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。 本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
  論文  参考訳（メタデータ） (2023-01-27T22:28:19Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)

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。