Fugu-MT 論文翻訳(概要): Structured LLM Reasoning for Zero-Shot Human--Robot Coordination Under Hidden Goals

論文の概要: Structured LLM Reasoning for Zero-Shot Human--Robot Coordination Under Hidden Goals

arxiv url: http://arxiv.org/abs/2608.04309v1
Date: Wed, 05 Aug 2026 00:40:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-06 14:48:43.666069
Title: Structured LLM Reasoning for Zero-Shot Human--Robot Coordination Under Hidden Goals
Title（参考訳）: 隠れゴール下でのゼロショット人-ロボット協調のための構造LDM推論
Authors: Dong Hae Mangalindan, Anand Gokhale, Francesco Bullo, Vaibhav Srivastava,
Abstract要約: 本稿では,ゼロショット人間-ロボット協調のための構造化された大規模言語モデル (LLM) アーキテクチャについて述べる。 Dec-POMDPの定式化によって、アーキテクチャは決定を (i) 行動条件理論 (ToM) 推論、 (ii) 階層的計画、 (iii) 会話解釈、 (iv) 行動検証、 (v) フィードバックに基づく再計画に分解する。
参考スコア（独自算出の注目度）: 3.158926173252809
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a structured large-language-model (LLM) architecture for zero-shot human--robot coordination in a cooperative construction task with private goal views. Guided by a Dec-POMDP formulation, the architecture decomposes decision-making into (i) action-conditioned Theory-of-Mind (ToM) inference, (ii) hierarchical planning, (iii) conversation interpretation, (iv) action verification, and (v) feedback-based replanning. We compare the proposed method with an ablation without ToM inference and a multi-agent reinforcement-learning policy trained offline over many goal pairs. In human-participant experiments, the proposed method required fewer interaction steps and yielded higher post-interaction trust ratings than both baselines. These results suggest that systematically decomposing the team decision problem, using LLMs as tractable surrogates for otherwise intractable inference and planning computations, and retaining conventional verification for physical feasibility can improve both task coordination and the human experience.
Abstract（参考訳）: 本稿では,ゼロショット人間-ロボット協調のための構造化された大規模言語モデル (LLM) アーキテクチャについて述べる。 Dec-POMDPの定式化によって、アーキテクチャは意思決定を分解する (i)行動条件理論(ToM)推論 (二)階層的計画 (三)会話の解釈、 (四)行動検証、及び (v)フィードバックベースのリプランニング。提案手法とToM推論のないアブレーションと,多くの目標ペアに対してオフラインで訓練されたマルチエージェント強化学習ポリシーを比較した。人間の参加型実験では、提案手法は相互作用のステップを減らし、相互作用後の信頼度を両ベースラインよりも高くする。これらの結果は, チームの意思決定問題を体系的に分解し, LLMをトラクタブルサロゲートとして, 難解な推論と計画計算に使用し, 従来の物理的実現性検証を継続することで, 作業調整と人的経験の両面で改善できることを示唆している。

関連論文リスト

Assistance Without Interruption: A Benchmark and LLM-based Framework for Non-Intrusive Human-Robot Assistance [44.10105182063131]
我々は、人間-ロボット相互作用(HRI)の独立したパラダイムとして、非侵入支援を形式化し、ベンチマークする。直接命令や明示的な交渉,あるいはユーザの習慣や履歴に基づく積極的な介入に依存する従来のHRIタスクとは違って,我々のタスクは人間の計画を主要なプロセスとして扱い,いつ,何をすべきかという共同決定として支援を定式化する。 NIABenchと実世界のシナリオの総合的な実験により,本手法は作業効率を保ちながら人的労力を減らし,積極的かつ非侵襲的な支援を実現することを示す。
論文参考訳（メタデータ） (2026-05-02T10:25:40Z)
When Contextual Inference Fails: Cancelability in Interactive Instruction Following [51.2195840589474]
私たちは、コンテキスト意味構築のためのインタラクティブなベンチマークであるBuild What I Meanを紹介します。 BWIMでは、モデルは文脈推論を行うか、小さな通信コストで明確化を要求することによって曖昧さを解決しなければならない。我々は,不確実性の下でのパートナーブラインド過度明確化や質問逆推定などの準最適戦略を観察する。
論文参考訳（メタデータ） (2026-03-20T14:46:59Z)
Uncertainty Mitigation and Intent Inference: A Dual-Mode Human-Machine Joint Planning System [16.75873002054227]
本研究では,二元的不確実性に対処する統合人間ロボット共同計画システムを提案する。第一に、不確実性軽減共同計画モジュールは、双方向の会話によって意味的あいまいさとオブジェクトの不確実性を解決することができる。第2に、リアルタイムな意図認識協調モジュールは、人間の潜在タスク意図に対する確率論的信念を維持している。
論文参考訳（メタデータ） (2026-03-08T21:43:30Z)
Replanning Human-Robot Collaborative Tasks with Vision-Language Models via Semantic and Physical Dual-Correction [7.668882674013904]
人間-ロボット協調は、対話的でリアルタイムな人間の指示に基づいてロボットが動作を計画し調整できるようにすることによって、組み立て作業において重要な役割を果たす。このような指示はしばしば言語的に曖昧で不明確であり、物理的に実現可能で協調的なロボット行動を生成することは困難である。本稿では,VLMに基づく推論を二重補正機構で拡張するHRCフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-16T08:24:19Z)
Interaction-Grounded Learning for Contextual Markov Decision Processes with Personalized Feedback [59.287761696290865]
本稿では,個人化されたフィードバックを伴って,文脈的マルコフ決定プロセス(MDP)のサブ線形後悔保証を実現する計算効率の高いアルゴリズムを提案する。提案手法の有効性を,合成エピソードMDPと実世界のユーザ予約データセットの両方を用いた実験を通じて,マルチターンインタラクションからパーソナライズされた目的を学習する際の有効性を示す。
論文参考訳（メタデータ） (2026-02-09T06:29:54Z)
Agentic Reasoning for Large Language Models [122.81018455095999]
推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
論文参考訳（メタデータ） (2026-01-18T18:58:23Z)
IntentionVLA: Generalizable and Efficient Embodied Intention Reasoning for Human-Robot Interaction [51.130510883952546]
Vision-Language-Action(VLA)モデルは、事前訓練された視覚言語モデル(VLM)を活用して、ロボット制御との認識を両立させる。カリキュラム学習パラダイムと効率的な推論機構を備えたVLAフレームワークである textbfIntentionVLA を提案する。提案手法はまず,意図推論,空間的接地,コンパクトな具体的推論を組み合わせ,慎重に設計した推論データを活用する。
論文参考訳（メタデータ） (2025-10-09T04:49:46Z)
Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
論文参考訳（メタデータ） (2024-08-17T11:49:53Z)
Pragmatic Instruction Following and Goal Assistance via Cooperative Language-Guided Inverse Planning [52.91457780361305]
本稿では,協調型言語誘導逆計画探索(CLIPS)を紹介する。我々のエージェントは、協力的なプランナーとして人間をモデル化し、アシスタントに共同計画を伝える。 2つの協調計画領域(ドア,キー&ジェム,バーチャルホーム)におけるこれらの機能の評価
論文参考訳（メタデータ） (2024-02-27T23:06:53Z)
LLM-Coordination: Evaluating and Analyzing Multi-agent Coordination Abilities in Large Language Models [23.092480882456048]
大きな言語モデル(LLM)は、創発的な常識推論と心の理論(ToM)能力を示している。本研究では,Pure Coordination Sets の文脈で LLM を解析するための新しいベンチマークである LLM-Coordination Benchmark を紹介する。
論文参考訳（メタデータ） (2023-10-05T21:18:15Z)
Learning to Advise and Learning from Advice in Cooperative Multi-Agent Reinforcement Learning [10.691232629333413]
マルチエージェント強化学習(MARL)を改善するため,LALA(Learning toAdvise and Learning from Advice)を提案する。アドバイザは、タスク指向の目的関数を備えた双対時間畳み込みニューラルネットワークを用いて、空間的および時間的領域の意思決定情報とコーディネート決定を集約することを学ぶ。実験結果から,学習効率と調整能力の両面で,LALAがベースラインアプローチよりも優れていることが示唆された。
論文参考訳（メタデータ） (2022-05-23T09:56:12Z)

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。