論文の概要: Longitudinal Robot Learning from Demonstration with Care Providers in a Home Environment

• arxiv url: http://arxiv.org/abs/2608.25196v1
• Date: Tue, 25 Aug 2026 22:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.484456
• Title: Longitudinal Robot Learning from Demonstration with Care Providers in a Home Environment
• Title（参考訳）: 在宅環境における介護提供者との実証から学ぶ縦型ロボット
• Abstract要約: 実演を通してロボットを教える際には,実演ロボットの専門家のフィードバックを伴わずに,エキスパートでないエンドユーザの鍵となる障壁を特定する。 我々は,事前学習と適応フィードバックという,事前作業で開発された2種類の実証的ガイダンスを通じて,非専門家のエンドユーザを支援する。 本稿では,家庭環境への複数回の訪問を通じてロボット支援タスクを指導する介護提供者のLfDデータセットをオープンソース化することを提案する。
• 参考スコア（独自算出の注目度）: 2.5995072756039903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning from demonstration (LfD) methods enable non-expert end users to teach robots novel skills without explicit programming. However most evaluations of the usability of LfD with non-experts has been conducted in controlled laboratory environments with a robotics experimenter present. In this work we identify non-expert end users' key barriers when teaching robots via demonstration without live robotics expert feedback in a home environment. In our human subjects experiment we support the non-expert end users through two forms of demonstrator guidance developed in prior work: pre-training and adaptive feedback. Towards the ecological validity of the evaluation, we conduct this experimentation over multiple visits, with a population of care providers. Finally, we propose to open source the resulting LfD dataset of care providers teaching a robot assistive tasks over multiple visits to a home environment.
• Abstract（参考訳）: デモ(LfD)法から学ぶことで、非熟練のエンドユーザは、明示的なプログラミングなしにロボットに新しいスキルを教えることができる。 しかし,LfDの非専門家による使用性の評価は,ロボット実験装置を用いた制御実験環境において行われている。 本研究は,実動ロボット工学の専門家による家庭環境へのフィードバックを伴わずに,実演を通してロボットを教える場合の,非専門的なエンドユーザのキーバリアを特定する。 人間の被験者実験では,事前学習と適応フィードバックという2種類の実証的指導によって,非専門家のエンドユーザを支援する。 評価の生態学的妥当性をめざして, 医療提供者の数が多い複数回の訪問を通じて, この実験を実施している。 最後に,家庭環境への複数回にわたるロボット支援タスクを指導する介護提供者のLfDデータセットをオープンソース化することを提案する。

関連論文リスト

• Influence of Operator Expertise on Robot Supervision and Intervention [0.4712110183853875]
  本研究では,遠隔ロボットの監視において,様々な専門知識を持つオペレータが情報を理解し,介入決定を行う方法について検討する。 本研究では,シミュレータ内の4つの未知のトンネル環境を自律的に探索するロボットを,被験者が指導するユーザスタディを行った。 インタラクションデータと質問応答を解析することにより,初級,中級,専門ユーザを対象に,介入タイミングと意思決定戦略の異なるパターンを識別する。
  論文  参考訳（メタデータ） (2026-01-21T15:14:23Z)
• Growing from Exploration: A self-exploring framework for robots based on foundation models [13.250831101705694]
  我々は、ロボットが人間の介入なしに自律的に探索し学習することを可能にするGExpというフレームワークを提案する。 幼児が世界と対話する方法に触発されて、GExpはロボットに、一連の自己生成タスクで環境を理解し、探索するように促す。
  論文  参考訳（メタデータ） (2024-01-24T14:04:08Z)
• Autonomous Robotic Reinforcement Learning with Asynchronous Human Feedback [27.223725464754853]
  GEARは、ロボットを現実世界の環境に配置し、中断することなく自律的に訓練することを可能にする。 システムはリモート、クラウドソース、非専門家からの非同期フィードバックのみを必要とする、Webインターフェースにロボットエクスペリエンスをストリームする。
  論文  参考訳（メタデータ） (2023-10-31T16:43:56Z)
• HomeRobot: Open-Vocabulary Mobile Manipulation [107.05702777141178]
  Open-Vocabulary Mobile Manipulation (OVMM) は、目に見えない環境で任意のオブジェクトを選択し、命令された場所に配置する問題である。 HomeRobotには2つのコンポーネントがある。シミュレーションコンポーネントは、新しい高品質のマルチルームホーム環境に、大規模で多様なキュレートされたオブジェクトセットを使用する。
  論文  参考訳（メタデータ） (2023-06-20T14:30:32Z)
• Evaluating Continual Learning on a Home Robot [30.620205237707342]
  そこで本研究では,現実の低コストなホームロボットにおいて,連続学習手法をどのように適用することができるかを示す。 本稿では,スキルライブラリを継続的に学習するSANERと,それを支援するバックボーンとしてABIPを提案する。
  論文  参考訳（メタデータ） (2023-06-04T17:14:49Z)
• Learning Video-Conditioned Policies for Unseen Manipulation Tasks [83.2240629060453]
  ビデオ条件付きポリシー学習は、以前は目に見えないタスクの人間のデモをロボット操作スキルにマッピングする。 我々は,現在のシーン観察と対象課題のビデオから適切なアクションを生成するためのポリシーを学習する。 われわれは,多タスクロボット操作環境の課題と,技術面における性能の面から,そのアプローチを検証した。
  論文  参考訳（メタデータ） (2023-05-10T16:25:42Z)
• 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)
• Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
  我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。 学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
  論文  参考訳（メタデータ） (2022-11-16T16:26:48Z)
• Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
  多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。 本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。 我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
  論文  参考訳（メタデータ） (2021-09-19T18:00:51Z)
• The Ingredients of Real-World Robotic Reinforcement Learning [71.92831985295163]
  実世界で収集されたデータによって継続的に自律的に改善できるロボット学習システムに必要な要素について論じる。 本稿では,このようなシステムの特異なインスタンス化を事例として,デクスタラスな操作を事例として提案する。 我々は人間の介入なしに学習できることを実証し、現実世界の3本指の手で様々な視覚ベースのスキルを習得する。
  論文  参考訳（メタデータ） (2020-04-27T03:36:10Z)

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。