論文の概要: Robot Learning from Human Demonstrations: Handwritten Alphabet Trajectories and Human-Likeness Evaluation

• arxiv url: http://arxiv.org/abs/2608.06221v1
• Date: Thu, 06 Aug 2026 16:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.789607
• Title: Robot Learning from Human Demonstrations: Handwritten Alphabet Trajectories and Human-Likeness Evaluation
• Title（参考訳）: 人間のデモから学ぶロボット:手書きアルファベット軌道と人間の類似性評価
• Abstract要約: 本稿では,人間のようなロボットの動きを実演から学習するための枠組みを提案する。 参加者22名から3,142名の手書きによる実演のデータセットを収集した。 21名の被験者によるユーザスタディは、生成された軌跡の人間的類似性を評価した。
• 参考スコア（独自算出の注目度）: 0.26763498831034044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning from demonstration (LfD) provides a developmental framework through which robots can develop motor skills by observing and imitating human dynamics, reducing reliance on explicit programming to teach a skill to a robot. The resulting human-like robot motion is recognised as a key factor in building trust and enabling natural collaboration in human-robot interaction. This paper presents a framework for learning human-like robot motion from demonstration, including data collection, probabilistic trajectory learning, and perceptual user evaluation. A dataset of 3,142 handwriting demonstrations was collected from 22 participants across all 52 Latin alphabet character-case combinations via a touchscreen teleoperation interface, capturing planar position, contact force, and timing. Building on the widely used Gaussian Mixture Model and Gaussian Mixture Regression approach for learning from demonstration, the framework is extended in this work by incorporating force and normalised time dimensions to enable richer representation of human dynamics, and adapting it to handle non-continuous, multi-segment trajectories, enabling generalisation across demonstrations. A user study with 21 participants evaluated the perceived human-likeness of the generated trajectories using a continuous scale anchored between robotic and human-like motion, normalised to 0-100 where 50 represents the neutral midpoint. The generated trajectories achieved an overall human-likeness score of 71.50 (SD=22.56), indicating that the majority of trajectories were perceived as more human-like. Participants identified geometric positioning and trajectory sequence as the most influential perceptual factors, and reported positive attitudes toward human-like robot behaviour. The datasets are released as open-source, providing a reproducible benchmark for developing and evaluating human-like robot motion methods.
• Abstract（参考訳）: デモから学ぶ(LfD)は、ロボットが人間のダイナミクスを観察し模倣することで、ロボットにスキルを教えるための明示的なプログラミングへの依存を減らし、運動スキルを発達させる開発フレームワークを提供する。 結果として生じる人間のようなロボットの動きは、人間とロボットの相互作用において、信頼の構築と自然なコラボレーションを可能にする重要な要素として認識されている。 本稿では,データ収集,確率的軌道学習,知覚的ユーザ評価など,人間のようなロボットの動きを実演から学習するためのフレームワークを提案する。 52のラテン文字文字と文字の組み合わせの22人の参加者から3,142人の手書きのデモンストレーションデータセットが、タッチスクリーンの遠隔操作インターフェースを通じて収集され、平面位置、接触力、タイミングを捉えた。 デモから学ぶために広く使われているガウス混合モデルとガウス混合回帰モデルに基づいて、このフレームワークは、人間のダイナミクスのより豊かな表現を可能にするために力と正規化された時間次元を取り入れ、非連続的、複数セグメントの軌跡を扱うように適応し、デモンストレーションをまたいだ一般化を可能にすることで拡張されている。 21名の被験者によるユーザスタディでは、ロボットと人間のような運動の間に固定された連続的なスケールを用いて、生成された軌跡の知覚的人間的類似性を評価し、50が中性中点を表す0-100まで正規化した。 生成された軌道は総じて71.50点(SD=22.56点)に達し、ほとんどの軌道は人間に近いと認識された。 参加者は、幾何学的位置決めと軌跡配列を最も影響力のある知覚的要因として特定し、人間のようなロボット行動に対する肯定的な態度を報告した。 データセットはオープンソースとしてリリースされ、人間に似たロボットモーションメソッドの開発と評価のための再現可能なベンチマークを提供する。

関連論文リスト

• Towards Motion Turing Test: Evaluating Human-Likeness in Humanoid Robots [54.54929302887405]
  15のアクションカテゴリにまたがる1000のモーションシーケンスからなるHuman-Humanoid Motionデータセットを提案する。 すべてのモーションシーケンスは、視覚的外観の影響を排除するためにSMPL-X表現に変換される。 収集したデータから、ヒューマノイドの動きが人間の動きと顕著なずれを示すことが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-06T11:40:56Z)
• Recognizing Actions from Robotic View for Natural Human-Robot Interaction [52.00935005918032]
  自然人-ロボットインタラクション(Natural Human-Robot Interaction, N-HRI)は、ロボット自身が動いているか静止しているかに関わらず、ロボットが様々な距離と状態で人間の行動を認識することを要求する。 N-HRIの既存のベンチマークは、限られたデータ、モダリティ、タスクカテゴリ、主題や環境の多様性のために、N-HRIのユニークな複雑さに対処できない。 モバイルサービスロボットで広く使われている知覚中心ロボットビューのための大規模データセット(Action from Robotic View)を紹介する。
  論文  参考訳（メタデータ） (2025-07-30T09:48:34Z)
• Toward Aligning Human and Robot Actions via Multi-Modal Demonstration Learning [3.9738951919572827]
  本稿では,Voxelized RGB-D空間におけるロボットデモを用いて,RGBビデオから人間デモを明示的にモデル化するフレームワークを提案する。 本稿では,人間の意図モデリングのためのResNetベースの視覚符号化と,ボクセルに基づくロボット行動予測のためのPerceiver Transformerを組み合わせる。
  論文  参考訳（メタデータ） (2025-04-14T21:14:51Z)
• AnyDexGrasp: General Dexterous Grasping for Different Hands with Human-level Learning Efficiency [49.868970174484204]
  我々は,最小限のデータを用いてきめ細やかな把握を学習するための効率的なアプローチを提案する。 提案手法は,40個の訓練対象に対して数百のグリップ試行を行うだけで,人間レベルの学習効率で高い性能を達成できる。 この方法は、ヒューマノイドロボット、人工装具、その他頑丈で汎用的なロボット操作を必要とする領域に対する有望な応用を実証する。
  論文  参考訳（メタデータ） (2025-02-23T03:26:06Z)
• Human-Humanoid Robots Cross-Embodiment Behavior-Skill Transfer Using Decomposed Adversarial Learning from Demonstration [9.42179962375058]
  本稿では,デジタル人間モデルを共通プロトタイプとして使用することにより,データのボトルネックを低減するための転送可能なフレームワークを提案する。 このモデルは、人間による実演から、敵対的な模倣を通して行動プリミティブを学習し、複雑なロボット構造を機能的な構成要素に分解する。 本フレームワークは,多種多様な構成のヒューマノイドロボット5体を用いて検証した。
  論文  参考訳（メタデータ） (2024-12-19T18:41:45Z)
• Learning Multimodal Latent Dynamics for Human-Robot Interaction [18.68936554172693]
  本稿では,ヒト-ヒトインタラクション(HHI)から協調型人間-ロボットインタラクション(HRI)を学習する方法を提案する。 本研究では,隠れマルコフモデル(HMM)を変分オートエンコーダの潜在空間として用いて,相互作用するエージェントの結合分布をモデル化するハイブリッドアプローチを考案する。 利用者は,我々の手法を,より人間らしく,タイムリーで,正確なものと認識し,他の基準よりも高い選好度で評価する。
  論文  参考訳（メタデータ） (2023-11-27T23:56:59Z)
• Real-time Addressee Estimation: Deployment of a Deep-Learning Model on the iCub Robot [52.277579221741746]
  住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。 人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。 本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
  論文  参考訳（メタデータ） (2023-11-09T13:01:21Z)
• HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
  本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。 本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-08T15:56:13Z)
• Data-driven emotional body language generation for social robotics [58.88028813371423]
  社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。 我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。 評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
  論文  参考訳（メタデータ） (2022-05-02T09:21:39Z)
• Learning Whole-Body Human-Robot Haptic Interaction in Social Contexts [11.879852629248981]
  本稿では,全ロボット体上での全身触覚接触を含む人間とロボットの社会的相互作用を教えるためのLfD(Learning-from-demonstration)フレームワークを提案する。 既存のLfDフレームワークの性能は、高次元データ空間性のためにこのような相互作用に苦しむ。 この疎度を活用することで,有意な精度のペナルティを伴わずにデータ次元を削減できることを示し,それを実現するための3つの戦略を紹介した。
  論文  参考訳（メタデータ） (2020-05-26T03:44:09Z)

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。