論文の概要: Social Intuition vs. Machine Reasoning: Anticipating Human-Robot Interaction from multiple modalities

• arxiv url: http://arxiv.org/abs/2609.07394v1
• Date: Mon, 07 Sep 2026 12:06:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 00:30:36.701924
• Title: Social Intuition vs. Machine Reasoning: Anticipating Human-Robot Interaction from multiple modalities
• Title（参考訳）: 社会的直観 vs. 機械推論--複数モーダルからの人間とロボットの相互作用を予想する
• Abstract要約: 本研究では,サービスロボットの視点から対話する人の意図を予測する上で,人間がどのように機能するかを検討する。 テストトラック100トラックの固定パイロットサブセットを用いて,HUI360データセット上でベンチマークを行った。
• 参考スコア（独自算出の注目度）: 27.512271990478737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anticipating whether a person will interact from one's own perspective is a highly intuitive task for humans, that relies on a combination of cues. We investigate how humans perform at predicting a person's intention to interact from a service robot's point of view, using pose-only or full video input, then benchmark different lightweight pose-based models and state-of-the-art vision-language models. We conducted our benchmark on the HUI360 dataset on a fixed pilot subset of 100 test tracks (25 positive, 75 negative). We found that with pose-only input, human annotators outperform lightweight trained pose models but not by large margins (+0.08 in F1-Score). But when given full egocentric video with a target bounding box, human annotators perform substantially better and largely outperform the Vision-Language Models (+0.2 in F1-Score). We also compared VLMs of different size and under different input conditions, and found that the best results do not correlate with model size. Our result confirms that predicting interactions is a challenging task for social robots and that reasoning-capable models are necessary but their actual reasoning capabilities alone do not suffice to match the social intuition of humans.
• Abstract（参考訳）: 人が自分自身の視点で対話するかどうかを予想することは、人間の非常に直感的な作業であり、手がかりの組み合わせに依存している。 本研究では、ポーズのみまたはフルビデオ入力を用いて、サービスロボットの視点から対話する意図を予測し、異なる軽量ポーズベースモデルと最先端のビジョン言語モデルをベンチマークする。 HUI360データセットのベンチマークを100トラック(25トラック,75トラック)の固定パイロットサブセットで実施した。 ポーズのみの入力では、人間のアノテータは軽量な訓練されたポーズモデルよりも優れるが、大きなマージン(F1-Scoreでは+0.08)では良くないことがわかった。 しかし、ターゲット境界ボックスのある完全なエゴセントリックなビデオが与えられると、人間のアノテータはVision-Language Models(F1-Scoreの+0.2)よりも大幅に優れています。 また,VLMを異なるサイズと異なる入力条件で比較したところ,最もよい結果がモデルサイズと相関しないことがわかった。 この結果から,社会ロボットにとって対話の予測は困難な課題であり,推論可能なモデルが不可欠であるが,実際の推論能力だけでは人間の社会的直感と一致しないことが明らかとなった。

関連論文リスト

• AnyWorld: Factorized Egocentric World Models for Cross-Embodiment Generalization [88.25615187835321]
  我々は,クロス・エボディメント・ワールド・モデリング・フレームワークであるAnyWorldを提案する。 私たちのモデルは、アクション、カメラ、エンボディメントへのインタラクションを分解します。 大規模なヒューマンインタラクション事前トレーニングでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-29T12:55:15Z)
• The Imitator Game: Benchmarking Robot Imitative Ability Beyond Action Prediction [23.90153863744227]
  人間のビデオから学ぶための4段階のベンチマークであるThe Imitator Gameを紹介した。 人間の実演とロボット自身のシーンのギャップを徐々に広げ、軌道上のリプレイが止まる場所を分離する。 私たちはIG-10Kと、これまでで最大の環境整合型人間ロボットデータセット、そして盲目のA/B人間評価のためのオープンプラットフォームであるImitator Arenaと組み合わせました。
  論文  参考訳（メタデータ） (2026-08-23T08:51:01Z)
• Developing Neural Network-Based Gaze Control Systems for Social Robots [0.0]
  本研究では,様々な社会的状況下での人間の視線行動に対する経験的動作時間パターンを開発することを目的とする。 ディープラーニングモデル、特にLong Short-Term Memory(LSTM)とTransformerは、視線パターンの分析と予測に使用された。
  論文  参考訳（メタデータ） (2026-02-11T15:30:39Z)
• Contour Integration Underlies Human-Like Vision [2.6716072974490794]
  人間は、物体の輪郭がほとんどなくても、高精度に行動する。 人間は統合バイアスを示します -- 方向のないフラグメントよりも、方向のないフラグメントで構成されたオブジェクトを認識することを好むのです。
  論文  参考訳（メタデータ） (2025-04-07T16:45:06Z)
• Evaluating Multiview Object Consistency in Humans and Image Models [68.36073530804296]
  我々は、物体の形状に関するゼロショット視覚的推論を必要とする認知科学の実験的設計を活用する。 我々は500人以上の参加者から行動データの35万件の試行を収集した。 次に、一般的な視覚モデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-09-09T17:59:13Z)
• Sapiens: Foundation for Human Vision Models [14.72839332332364]
  サピエンス(Sapiens)は、4つの基本的人間中心の視覚タスクのモデル群である。 我々のモデルは1Kの高分解能推論をサポートし、個々のタスクに容易に適応できる。 我々は、人間の画像のキュレートされたデータセット上での自己教師付き事前訓練が、多種多様な人間中心のタスクのパフォーマンスを著しく向上させるのを観察する。
  論文  参考訳（メタデータ） (2024-08-22T17:37:27Z)
• 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's "up" with vision-language models? Investigating their struggle with spatial reasoning [76.2406963762722]
  3つの新しいコーパスは基本空間関係のモデル理解を定量化する。 我々は18の視覚言語(VL)モデルを評価し、全てが不十分であることが判明した。 私たちはこの驚くべき行動の原因を研究することで結論付ける。
  論文  参考訳（メタデータ） (2023-10-30T17:50:15Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)
• Partial success in closing the gap between human and machine vision [30.78663978510427]
  数年前、最初のCNNがImageNetで人間のパフォーマンスを上回った。 人間のビジョンとマシンビジョンのギャップを埋める作業は進んでいますか? 我々は、広範囲なアウト・オブ・ディストリビューション(OOD)データセット上で、人間のオブザーバをテストした。
  論文  参考訳（メタデータ） (2021-06-14T13:23:35Z)
• Where is my hand? Deep hand segmentation for visual self-recognition in humanoid robots [129.46920552019247]
  本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。 ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
  論文  参考訳（メタデータ） (2021-02-09T10:34:32Z)
• LESS is More: Rethinking Probabilistic Models of Human Behavior [36.020541093946925]
  ボルツマンノイズレーショナル決定モデルは、人々は報酬関数を概ね最適化していると仮定する。 人間の軌道は連続した空間にあり、報酬関数に影響を及ぼす連続的な価値ある特徴を持つ。 報酬のみでなく、軌道間の距離を明示的に考慮するモデルを導入する。
  論文  参考訳（メタデータ） (2020-01-13T18:59:01Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。