論文の概要: OAA: Three Phases of Vocal Guidance in Human-Drone Teleoperation
- arxiv url: http://arxiv.org/abs/2608.10651v1
- Date: Tue, 11 Aug 2026 08:35:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.962542
- Title: OAA: Three Phases of Vocal Guidance in Human-Drone Teleoperation
- Title（参考訳）: OAA:ヒト・ドーン遠隔操作における声道誘導の3段階
- Abstract要約: 自発性発声指導は,声道順応,アプローチ,調整の3段階に連続的に編成されることを示す。
音声誘導遠隔操作におけるOAA対応制御の意義について論じる。
- 参考スコア（独自算出の注目度）: 1.3868431756593296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Voice-guided teleoperation requires systems that adapt to the evolving dynamics of human guidance. Yet most voice-controlled robot systems treat spoken commands as a stationary stream, ignoring how the guide's communicative behavior changes as the task progresses. Using motion capture and speech data from two experimental configurations, humanhuman guidance (finger pointing, N =10 dyads) and humandrone teleoperation (gamepad control, N =29 dyads), we show that spontaneous vocal guidance consistently organizes into three kinematically and linguistically distinct phases: Orientation, Approach, and Adjustment. These phases are identified automatically via change point detection on 3D trajectory signals, and validated statistically (Kruskal-Wallis, p<.001). Three lexical families replicate across configurations: rotation vocabulary marks Orientation, translation vocabulary is scarce there, and attenuators accumulate toward Adjustment. Together with inter-utterance silence, these cues mark the Orientation boundary that speech rate alone leaves unmarked. The same three-phase structure emerges in both configurations despite radically different motor interfaces, suggesting it is an intrinsic property of human spatial guidance rather than an artifact of the experimental setup. We discuss implications for OAA-aware adaptive control in voice-guided teleoperation.
- Abstract（参考訳）: 音声誘導遠隔操作は人間の指導の進化力学に適応するシステムを必要とする。
しかし、ほとんどの音声制御ロボットシステムは、タスクが進むにつれて、ガイドのコミュニケーション行動がどのように変化するかを無視して、音声コマンドを定常的なストリームとして扱う。
人体誘導(指先, N = 10 dyads)と人体遠隔操作(ゲームパッド制御, N = 29 dyads)の2つの実験的構成から得られる動きの捉え方と音声データを用いて, 自発性声道誘導は, 3段階, 言語的に異なる段階(オリエンテーション, アプローチ, 調整)に一貫して構成されていることを示す。
これらの位相は3次元軌跡信号の点検出によって自動的に同定され、統計的に検証される(Kruskal-Wallis, p<.001)。
回転語彙はオリエンテーションをマークし、翻訳語彙は乏しく、減衰体は調整に向かって蓄積する。
発話間の沈黙とともに、これらの手がかりは、発話速度だけが無意味なままであるオリエンテーション境界を示す。
同じ3相構造は、運動界面が根本的に異なるにもかかわらず両方の構成で現れるため、実験装置の人工物ではなく、人間の空間誘導の本質的な性質であることが示唆されている。
音声誘導遠隔操作におけるOAA対応制御の意義について論じる。
関連論文リスト
- TANGO: Humanoid Navigation in Cluttered Environments with a Whole-Body Vision-Language-Action Model [49.03909082056646]
人型ロボットを用いて, 乱雑な室内環境をナビゲートする問題について検討した。
本稿では,最初の全身視覚言語ナビゲーションフレームワークであるTANGOを紹介する。
シミュレーション実験では、タンゴは視覚言語ナビゲーションにおける最先端の性能を実証した。
論文 参考訳（メタデータ） (2026-09-08T17:59:55Z) - Scalable Direction-Following TTS via Voice Impression-Guided Pseudo Triplet Construction [16.024524623990484]
そこで,本研究では,基準発話に対して所定の方向を反映する新たな発話を生成する方向追従TSSについて検討する。
主な課題は、そのような相対的な修正をキャプチャするトレーニングデータの欠如である。
本稿では,参照発話,方向テキスト,修正発話)の三重項を生成する,スケーラブルな擬似三重項構築パイプラインを提案する。
論文 参考訳（メタデータ） (2026-09-02T14:02:15Z) - Omni-Supervised Motion Editing: Balancing Change and Invariance through Positive-Negative Learning [55.410155357480654]
我々はOmniMEという,Omni-Supervised Positive-Negative Learningフレームワークを提案する。
本手法は3つの相補的成分を統合する。
MotionFixとSTANCE調整データセットの実験は、OmniMEが編集アライメントにおける最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-05-29T08:09:51Z) - SARAH: Spatially Aware Real-time Agentic Humans [58.32612596034656]
ストリーミングVRヘッドセット上に展開可能な空間認識型対話動作のための,初のリアルタイム完全因果的手法を提案する。
ユーザの位置とダイアディックな音声を考慮に入れたアプローチでは,エージェントの向きをユーザに応じて調整しながら,ジェスチャーを音声と整列させる全体動作を生成する。
実写VRシステムに対する我々のアプローチを検証し,空間認識型対話エージェントをリアルタイム展開に適用する。
論文 参考訳（メタデータ） (2026-02-20T18:59:35Z) - 3DGesPolicy: Phoneme-Aware Holistic Co-Speech Gesture Generation Based on Action Control [3.606473077857744]
3DGesPolicyは、連続的な軌跡制御問題として総合的なジェスチャー生成を再構成するアクションベースのフレームワークである。
フレーム・ツー・フレームの変動を統一的全体的動作としてモデル化することにより,フレーム間の動作パターンを効果的に学習する。
表現的アライメントにおけるギャップをさらに埋めるため,Gesture-Audio-Phoneme (GAP) 融合モジュールを提案する。
論文 参考訳（メタデータ） (2026-01-26T12:57:36Z) - ViBES: A Conversational Agent with Behaviorally-Intelligent 3D Virtual Body [25.087113475162592]
ViBES(Voice in Behavioral Expression and Synchrony)は、言語と運動を共同で計画する対話型3Dエージェントである。
ViBESは、言語、韻律、運動が共同生成されるエージェント仮想体への「音声条件の運動生成」を越えている。
論文 参考訳（メタデータ） (2025-12-16T09:41:21Z) - Modeling Turn-Taking with Semantically Informed Gestures [56.31369237947851]
マルチパーティDnD Gesture corpusの拡張であるDnD Gesture++に2,663のセマンティックジェスチャアノテーションを付加した。
テキスト,音声,ジェスチャーを統合したMixture-of-Expertsフレームワークを用いてターンテイク予測をモデル化する。
実験により、意味的にガイドされたジェスチャーを組み込むことで、ベースラインよりも一貫したパフォーマンス向上が得られることが示された。
論文 参考訳（メタデータ） (2025-10-22T08:17:54Z) - doScenes: An Autonomous Driving Dataset with Natural Language Instruction for Human Interaction and Vision-Language Navigation [0.0]
doScenesは、人間と車両の命令インタラクションの研究を促進するために設計された、新しいデータセットである。
DoScenesは命令と駆動応答のギャップを埋め、コンテキスト認識と適応計画を可能にする。
論文 参考訳（メタデータ） (2024-12-08T11:16:47Z) - Pragmatic Embodied Spoken Instruction Following in Human-Robot Collaboration with Theory of Mind [51.45478233267092]
認知にインスパイアされたニューロシンボリックモデルであるスポークインストラクション(Spken Instruction following through Theory of Mind, SIFToM)を提案する。
SIFToMはモデルに基づくメンタル推論を備えたビジョンランゲージモデルを使用して、多様な音声条件下でロボットが現実的に人間の指示に従うことを可能にする。
その結果、SIFToMは、軽量ベースVLM(Gemini 2.5 Flash)の性能を大幅に向上し、最先端のVLM(Gemini 2.5 Pro)より優れ、タスク後の音声指示に挑戦する人間レベルの精度に近づいていることがわかった。
論文 参考訳（メタデータ） (2024-09-17T02:36:10Z) - Evaluating Voice Command Pipelines for Drone Control: From STT and LLM to Direct Classification and Siamese Networks [0.0]
本研究の目的は、ドローン動作の直感的な音声制御を可能にすることにより、人間と機械の相互作用を強化することである。
開発されたパイプラインには、(1)従来の音声テキスト(STT)、次いでLarge Language Model(LLM)アプローチ、(2)直接音声から関数へのマッピングモデル、(3)Siameseニューラルネットワークベースのシステムが含まれる。
論文 参考訳（メタデータ） (2024-07-10T15:15:26Z) - ConvoFusion: Multi-Modal Conversational Diffusion for Co-Speech Gesture Synthesis [50.69464138626748]
マルチモーダルなジェスチャー合成のための拡散に基づくアプローチであるConvoFusionを提案する。
提案手法は,条件の異なる条件が与える影響をユーザが調節できる2つの誘導目標を提案する。
本手法は,モノログジェスチャを生成するか,会話ジェスチャを生成するかの訓練が可能である。
論文 参考訳（メタデータ） (2024-03-26T17:59:52Z) - Episodic Transformer for Vision-and-Language Navigation [142.6236659368177]
本稿では,長時間のサブタスク処理と複雑なヒューマンインストラクションの理解という2つの課題に取り組むことに焦点を当てる。
エピソード変換器(E.T.)を提案する。
言語入力と視覚観察と行動の全エピソード履歴を符号化するマルチモーダルトランスフォーマーである。
我々のアプローチは、挑戦的なALFREDベンチマークに新たな技術状況を設定し、見つからないテストの分割で38.4%と8.5%のタスク成功率を達成した。
論文 参考訳（メタデータ） (2021-05-13T17:51:46Z)
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。