論文の概要: WCM: World-Cognition Model for Generalizable Human-Robot Interaction

• arxiv url: http://arxiv.org/abs/2607.22999v1
• Date: Sat, 25 Jul 2026 02:27:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.96191
• Title: WCM: World-Cognition Model for Generalizable Human-Robot Interaction
• Title（参考訳）: WCM: 汎用ロボットインタラクションのための世界認知モデル
• Abstract要約: 本稿では、SLAKアーキテクチャ上に構築された人間中心型エンボディエージェントであるWorld-Cognition Model(WCM)を紹介する。 WCMは、現実世界の9つの人間とロボットのインタラクションタスクで平均73.8%の成功率を達成した。
• 参考スコア（独自算出の注目度）: 2.1592777170316366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Language agents can now interact fluently with users in software, but robots still struggle to bring comparable interaction to physical tasks. Current robot-control paradigms, including vision-language-action policies and world-model-based planners, are mainly optimized for instruction execution, leaving users with little visibility into why an action is chosen and few mechanisms to redirect, correct, or teach the robot through interaction. To solve this problem, we present the World-Cognition Model (WCM), a human-centered embodied agent built on the SLAK architecture (Sensing, Logic, Action, and Knowledge) and an asynchronous runtime. SLAK separates perception, reasoning, control, and memory, while the runtime allows reasoning, dialogue, and execution to proceed concurrently. WCM further introduces a human-in-the-loop teaching mode that enables users to interactively teach the robot difficult or long-horizon tasks. Teaching episodes and autonomous task rollouts are refined into chain-of-thought supervision to continually improve the model. WCM achieves a 73.8% average success rate across nine real-world human-robot interaction tasks, including tasks held out from CoT fine-tuning and a long-horizon task learned through teaching.
• Abstract（参考訳）: 言語エージェントは、今やソフトウェアのユーザーとシームレスに対話できるが、ロボットは物理タスクに匹敵する対話をもたらすのに苦戦している。 現在のロボット制御パラダイムは、視覚言語アクションポリシーやワールドモデルベースのプランナーなど、主に命令実行に最適化されており、アクションが選択された理由や、インタラクションを通じてロボットをリダイレクト、修正、あるいは教えるメカニズムがほとんどない。 この問題を解決するために、SLAKアーキテクチャ(Sensing、Logic、Action、Knowledge)上に構築された人間中心のエンボディエージェントであるWorld-Cognition Model(WCM)と非同期ランタイムを提示する。 SLAKは認識、推論、制御、メモリを分離し、ランタイムは推論、対話、実行を同時に行うことができる。 WCMはまた、ユーザーがロボットに難しいタスクや長距離タスクを対話的に教えることのできる、ループ内のヒューマン・イン・ザ・ループの教育モードも導入している。 指導エピソードと自律的なタスクロールアウトは、モデルを継続的に改善するために、チェーン・オブ・ファシリテータに洗練される。 WCMは、CoTファインチューニングのタスクや、教育を通じて学んだ長期タスクを含む、9つの現実世界の人間とロボットのインタラクションタスクで平均73.8%の成功率を達成する。

関連論文リスト

• VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
  Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。 まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。 第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
  論文  参考訳（メタデータ） (2026-06-08T09:52:55Z)
• Intuitive Programming, Adaptive Task Planning, and Dynamic Role Allocation in Human-Robot Collaboration [28.96294944351617]
  このレビューでは、人間とロボット間の直感的な情報交換とスキル伝達を可能にする重要なコンポーネントを特定し、接続する。 マルチモーダル入力をロボットに理解可能な表現に変換する人間とロボットのコミュニケーションブリッジから、完全なインタラクションパイプラインについて検討する。
  論文  参考訳（メタデータ） (2025-11-11T19:49:30Z)
• Interpretable Robot Control via Structured Behavior Trees and Large Language Models [0.14990005092937678]
  本稿では,自然言語理解とロボット実行を橋渡しする新しい枠組みを提案する。 提案手法は実世界のシナリオでは実用的であり、平均的な認識と実行の精度は約94%である。
  論文  参考訳（メタデータ） (2025-08-13T08:53:13Z)
• Grounding Language Models in Autonomous Loco-manipulation Tasks [3.8363685417355557]
  異なるシナリオにおけるタスクに基づいて行動を学び、選択し、計画する新しいフレームワークを提案する。 我々は,大規模言語モデル(LLM)の計画と推論機能を活用し,階層的なタスクグラフを構築する。 CENTAUROロボットを用いたシミュレーションおよび実世界の実験により、言語モデルに基づくプランナーが、新しいロコ操作タスクに効率的に適応できることが示されている。
  論文  参考訳（メタデータ） (2024-09-02T15:27:48Z)
• Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
  脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。 現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。 本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T21:00:30Z)
• LIT: Large Language Model Driven Intention Tracking for Proactive Human-Robot Collaboration -- A Robot Sous-Chef Application [4.519544934630495]
  大型言語モデル (LLM) と視覚言語モデル (VLM) は、ロボットが自然言語のプロンプトを制御アクションに接地できるようにする。 言語駆動型意図追跡(LIT)は,人間の長期動作をモデル化し,ロボットを積極的に協調するための次の人間の意図を予測する。
  論文  参考訳（メタデータ） (2024-06-19T19:18:40Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• "No, to the Right" -- Online Language Corrections for Robotic Manipulation via Shared Autonomy [70.45420918526926]
  LILACは、実行中に自然言語の修正をオンラインで実施し、適応するためのフレームワークである。 LILACは人間とロボットを個別にターンテイクする代わりに、人間とロボットの間にエージェンシーを分割する。 提案手法は,タスク完了率が高く,ユーザによって主観的に好まれることを示す。
  論文  参考訳（メタデータ） (2023-01-06T15:03:27Z)
• Learning robot motor skills with mixed reality [0.8121462458089141]
  最近MR(Mixed Reality)は、エンドユーザがロボットを教えるための直感的なインターフェースとして大きな成功を収めた。 エンドユーザーがロボットにa)動作デモ、b)タスク制約、c)計画表現、d)オブジェクト情報を教える学習フレームワークを提案する。 我々は、この世界の知識を伝達することはMRインタフェースで直感的であり、サンプリング効率の良いモータースキル学習フレームワークによってロボットが複雑なタスクを効果的に解くことができると仮定する。
  論文  参考訳（メタデータ） (2022-03-21T20:25:40Z)
• 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)
• Joint Mind Modeling for Explanation Generation in Complex Human-Robot Collaborative Tasks [83.37025218216888]
  本稿では,人間とロボットのコラボレーションにおいて,人間のようなコミュニケーションを実現するための新しい説明可能なAI(XAI)フレームワークを提案する。 ロボットは、人間のユーザの階層的なマインドモデルを構築し、コミュニケーションの一形態として自身のマインドの説明を生成する。 その結果,提案手法はロボットの協調動作性能とユーザ認識を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2020-07-24T23:35:03Z)

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。