論文の概要: GUIDER: Evaluating Goal-Free Human Intent Inference for Teleoperated Manipulation on Real-Robot Data
- arxiv url: http://arxiv.org/abs/2608.15446v1
- Date: Sat, 15 Aug 2026 23:16:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.301702
- Title: GUIDER: Evaluating Goal-Free Human Intent Inference for Teleoperated Manipulation on Real-Robot Data
- Title（参考訳）: GUIDER:リアルロボットデータを用いた遠隔操作のためのゴールフリーヒューマンインテント推論の評価
- Abstract要約: 我々は,ロボットのグローバルユーザインテントデュアルフェーズ推定を,様々な支援シナリオ間で操作フェーズをテストするために展開する。
オンラインの確率更新、ワークスペース制限、サポートプレーンフィルタリング、実現可能な把握領域を優先するグリップモードを追加します。
3つのシナリオにおける20以上の操作ステップにおいて、GUIDERは、すべてのケースにおいて正しい把握候補内の人間の意図を推定する。
- 参考スコア（独自算出の注目度）: 1.7107261936393963
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents an evaluation of a goal-free probabilistic framework for human intent inference during robotic manipulation. We deploy the Global User Intent Dual-phase Estimation for Robots (GUIDER) on data collected from a robotic arm to test the manipulation phase across various assistance scenarios, including making tea and fetching medicine. To support operation, we add online probability updates, workspace limits, support-plane filtering, and a grasping mode that prioritizes feasible grasp regions, all of which are tested on the recorded data while preserving its original temporal conditions. Across 20 manipulation steps in three scenarios, GUIDER estimated human intent within the correct grasp-candidate set in all cases and achieved a time to confident prediction of 3.7 s, a remaining time before first grasp of 49.6 s, a prediction stability of 96.4%, and a runtime of 4.857/4.474 s (mean/median) per perceptual phase of intent.
- Abstract（参考訳）: 本稿では,ロボット操作における人間の意図推論のための,目標のない確率的枠組みの評価を行う。
我々は,ロボットアームから収集したデータにGUIDER(Global User Intent Dual-phase Estimation for Robots)を配置し,茶の作り方や薬の取り方など,さまざまな支援シナリオの操作フェーズをテストする。
動作を支援するために,オンラインの確率更新,ワークスペース制限,サポートプレーンフィルタリング,および,記録されたデータ上でテストされ,元の時間的条件を保ちながら,実現可能な把握領域を優先する把握モードを付加する。
3つのシナリオにおいて、GUIDERは正しい把握候補内の人間の意図を推定し、3.7秒の確実な予測、49.6秒の最初の把握までの残り時間、96.4%の予測安定性、知覚段階毎の4.857/4.474秒(平均/中間)のランタイムを達成した。
関連論文リスト
- Uncertainty-Aware Intention Prediction for Human-to-Robot Assembly Teleoperation [8.460582272894202]
人間とロボットのコラボレーションを支援する遠隔操作では、タイムリーで信頼性の高いロボット支援を可能にするために、正確な意図予測が重要である。
本稿では,階層的伝達学習,フレームレベル予測セット,VLM誘導セグメント補正を組み合わせた不確実性を考慮した人間とロボットの意図予測フレームワークを提案する。
実験の結果、人間とロボットの微調整により、ロボットによるテストセットのエディットスコアが70.50から80.70に改善され、わずか16のロボットデモが実施された。
論文 参考訳（メタデータ） (2026-06-06T21:13:57Z) - Forecast-aware Gaussian Splatting for Predictive 3D Representation in Language-Guided Pick-and-Place Manipulation [4.711302998453154]
Forecast-aware Gaussian Splatting (Forecast-GS)は,言語条件のロボット操作のための予測3D表現フレームワークである。
我々は、Cutter-to-Box、Apple-to-Bowl、Spnge-to-Trayなどの実世界のピック・アンド・プレイス操作タスクでForecast-GSを検証する。
自動候補選択を行うForecast-GSは、3つのタスクでそれぞれ21/25,23/25,16/25の成功率を達成する。
論文 参考訳（メタデータ） (2026-05-11T18:48:26Z) - UniFField: A Generalizable Unified Neural Feature Field for Visual, Semantic, and Spatial Uncertainties in Any Scene [11.224584333257338]
視覚的,意味的,幾何学的特徴を1つの一般化可能な表現で組み合わせた,統一的不確実性を考慮したニューラル特徴場UniFFieldを提案する。
シーン再構成と意味的特徴予測におけるモデル予測誤差を正確に記述するために,不確実性推定を評価した。
論文 参考訳（メタデータ） (2025-10-08T08:30:26Z) - Probabilistic Human Intent Prediction for Mobile Manipulation: An Evaluation with Human-Inspired Constraints [2.2893865000399938]
人間の意図の正確な推論は、人間とロボットの衝突を引き起こすことなく、人間とロボットの協調を可能にする。
ロボットが人間の操作者の意図を推定できる確率的フレームワークであるGUIDERを提案する。
アイザック・シムの25の試験(5人の被験者x5のタスク変種)においてGUIDERを評価し,ナビゲーション用と操作用の2つのベースラインと比較した。
論文 参考訳（メタデータ） (2025-07-14T10:21:27Z) - VEDIT: Latent Prediction Architecture For Procedural Video Representation Learning [59.68917139718813]
そこで本研究では,市販の冷凍型ビジュアルエンコーダを用いて,予測および手続き計画において,最先端(SoTA)の性能を達成可能であることを示す。
観察されたステップから凍結したクリップレベルの埋め込みを条件付けて、目に見えないステップの動作を予測することで、予測のための堅牢な表現を学習することができる。
論文 参考訳（メタデータ） (2024-10-04T14:52:09Z) - Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。
私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。
学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
論文 参考訳（メタデータ） (2024-05-02T17:56:55Z) - Exploring 3D Human Pose Estimation and Forecasting from the Robot's Perspective: The HARPER Dataset [52.22758311559]
本研究では,ユーザとスポット間のダイアドインタラクションにおける3次元ポーズ推定と予測のための新しいデータセットであるHARPERを紹介する。
キーノーベルティは、ロボットの視点、すなわちロボットのセンサーが捉えたデータに焦点を当てることである。
HARPERの基盤となるシナリオには15のアクションが含まれており、そのうち10つはロボットとユーザの間の物理的接触を含んでいる。
論文 参考訳（メタデータ） (2024-03-21T14:53:50Z) - General Flow as Foundation Affordance for Scalable Robot Learning [17.542499720026047]
大規模RGBDビデオデータセットから直接,言語条件付き3次元フロー予測モデルを開発する。
提案手法は,ゼロショットの人間とロボットのスキル伝達において,81%の成功率を達成した。
論文 参考訳（メタデータ） (2024-01-21T09:39:11Z) - Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。
提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
論文 参考訳（メタデータ） (2023-12-26T18:56:49Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳（メタデータ） (2022-06-13T21:31:06Z) - Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
本稿では,人間の動作予測のための確率モデルを提案する。
我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。
我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2021-07-14T09:05:33Z)
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。