論文の概要: Teaching Robot Policies to Humans Using Erroneous Examples

• arxiv url: http://arxiv.org/abs/2608.29023v1
• Date: Sat, 29 Aug 2026 03:33:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 13:05:01.64394
• Title: Teaching Robot Policies to Humans Using Erroneous Examples
• Title（参考訳）: 間違った例による人間へのロボット政策の指導
• Abstract要約: 本稿では,ロボットのポリシーを教えるために誤った例を提案する。 本研究では,ロボットの動作の誤った実演を参加者が観察し,実際の方針と整合する動作を補正するユーザスタディを行う。 本研究は, ロボットの行動予測において, 誤った実演を見たり, 口頭弁論を行ったりすることで, 時間の経過とともにポリシーの維持が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 3.0276132192349796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-robot collaboration describes the process of humans and autonomous agents working together to accomplish common goals. This process is facilitated best when robot policies, or behaviors in different situations, are made transparent to humans. Demonstration-based explanations have been a focus of human-robot collaboration research, and the field has frequently drawn upon literature from education to improve how humans are taught robot policies. However, no single teaching method has been proven effective across domains, difficulties, learners, and other variables; the question of how humans can most effectively be taught robot policies remains open. In traditional classrooms, learners are shown erroneous examples, in which they reflect on and correct incorrect responses to understand common pitfalls when learning a concept. We propose using erroneous examples to teach robot policies, extending an existing policy teaching framework. We conduct a user study in which participants view incorrect demonstrations of robot behavior and correct the actions to align with the actual policy. Our findings suggest that viewing these incorrect demonstrations and verbalizing one's reasoning in predicting a robot's actions improves retention of the policy over time, in agreement with the effect of erroneous examples in classrooms. We also categorize participants into distinct learning styles and establish that participants using inverse reinforcement learning-like reasoning perform best on policy prediction tasks. With this work, we aim to advance the methods by which robots educate humans on their policies.
• Abstract（参考訳）: 人間とロボットのコラボレーションは、共通の目標を達成するために働く人間と自律エージェントのプロセスを記述する。 このプロセスは、ロボットポリシー、あるいは異なる状況における行動が人間に透過的になる場合に最も促進される。 実証に基づく説明は、人間とロボットのコラボレーション研究の焦点であり、その分野は、人間がロボットポリシーを教える方法を改善するために、教育の文献にしばしば引き寄せられている。 しかし, ドメイン, 困難, 学習者, その他の変数に対して, 一つの指導方法が有効であることが証明されていない。 従来の教室では、学習者は誤った例を示しており、概念を学ぶ際によくある落とし穴を理解するために、誤った反応を反映し、正しい対応をする。 本稿では,ロボットのポリシーを教えるための誤った例を用いて,既存のポリシー教育フレームワークを拡張することを提案する。 本研究では,ロボットの動作の誤った実演を参加者が観察し,実際の方針と整合する動作を補正するユーザスタディを行う。 本研究は, ロボットの行動予測において, 誤った実演を見たり, 口頭弁論を行ったりすると, 教室における誤例の影響に応じて, 時間とともにポリシーの維持が向上することが示唆された。 また、参加者を異なる学習スタイルに分類し、逆強化学習のような推論を用いた参加者が政策予測タスクで最善を尽くすことを示す。 本研究は,ロボットが人間を政策で教育する手法の推進を目的としている。

関連論文リスト

• Rethinking the Implications of Human Feedback for Preference Learning in Human-Robot Collaboration [2.8952292379640636]
  人間-ロボットインタラクションでは、ロボットの行動に対する人間の嗜好を表す報酬モデルを学ぶための標準的なアプローチは、3つのステップから構成される。 まず、ロボットは人間のフィードバック(正あるいは負のバイナリフィードバックなど)から限られた直接的証拠を収集する。 第二に、ロボットは直接証拠を利用して、固定的な含意規則を用いて、受け入れられたラベルや拒否されたラベルを推測する。 第3に、ロボットは報酬モデルを更新し、直接証拠と導出証拠の両方を更新する。
  論文  参考訳（メタデータ） (2026-09-12T14:54:54Z)
• Robot Self-Improvement via Human-Video Dynamics Models [52.14862052988773]
  人間のビデオは、ロボットのエンボディメント間で伝達されるエンボディメントに依存しない動作、ダイナミクス、および値表現を学ぶのに利用できることを示す。 DGAC(Dynamics-Guided Action Correction)は,これらの適応モデルを用いて故障状態の修復を行うトレーニングフリーアプローチである。 以上の結果から,人間の先行とロボットの失敗が組み合わさって,スケーラブルな自律的政策改善を可能にすることが示唆された。
  論文  参考訳（メタデータ） (2026-06-19T13:17:27Z)
• Generative adversarial imitation learning for robot swarms: Learning from human demonstrations and trained policies [1.4180331276028662]
  模倣学習では、ロボットは望ましい行動のデモンストレーションから学ぶことが求められる。 本研究では,生成的逆転模倣学習に基づくフレームワークを提案する。 実際のロボット実験では、学習したポリシーをTurtleBot 4ロボット群に展開する。
  論文  参考訳（メタデータ） (2026-03-03T09:23:30Z)
• Human-Robot Mutual Learning through Affective-Linguistic Interaction and Differential Outcomes Training [Pre-Print] [0.3811184252495269]
  本研究では,感情言語コミュニケーションが人間ロボットの文脈における相互学習にどのように影響するかを検証する。 児童介護のダイナミックスからインスピレーションを得て、私たちの人間とロボットのインタラクションのセットアップは、内部的、ホメオスタティックに制御されたニーズのコミュニケーション方法を学ぶための(シミュレートされた)ロボットで構成されています。
  論文  参考訳（メタデータ） (2024-07-01T13:35:08Z)
• 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)
• Aligning Robot and Human Representations [50.070982136315784]
  ロボット工学における現在の表現学習アプローチは、表現アライメントの目的がいかにうまく達成されているかの観点から研究されるべきである。 問題を数学的に定義し、その鍵となるデシダータを同定し、この形式主義の中に現在の方法を置く。
  論文  参考訳（メタデータ） (2023-02-03T18:59:55Z)
• 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)
• Human-to-Robot Imitation in the Wild [50.49660984318492]
  本研究では,第三者の視点からの学習を中心に,効率的なワンショットロボット学習アルゴリズムを提案する。 実世界における20種類の操作タスクを含む,ワンショットの一般化と成功を示す。
  論文  参考訳（メタデータ） (2022-07-19T17:59:59Z)
• Fairness and Bias in Robot Learning [7.517692820105885]
  本稿では,技術的,倫理的,法的課題にまたがる学際的な観点から,ロボット学習における公正性に関する最初の調査を紹介する。 偏見の源泉とその原因となる差別の分類法を提案する。 本稿では,公平性の定義,倫理的・法的考察,公平なロボット学習の方法などについて述べる。
  論文  参考訳（メタデータ） (2022-07-07T17:20:15Z)
• Co-GAIL: Learning Diverse Strategies for Human-Robot Collaboration [51.268988527778276]
  本研究では,人間とロボットの協調実験から人間とロボットの協調政策を学習する手法を提案する。 本手法は対話型学習プロセスにおけるヒューマンポリシーとロボットポリシーを協調的に最適化する。
  論文  参考訳（メタデータ） (2021-08-13T03:14:43Z)

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。