論文の概要: A Confidence-Aware Multimodal Fusion Framework for Industrial Human-Robot Collaboration
- arxiv url: http://arxiv.org/abs/2609.10339v1
- Date: Wed, 09 Sep 2026 15:36:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.084903
- Title: A Confidence-Aware Multimodal Fusion Framework for Industrial Human-Robot Collaboration
- Title（参考訳）: 産業ロボット協調のための信頼度を考慮したマルチモーダルフュージョンフレームワーク
- Abstract要約: この枠組みは、物体6Dポーズ、視線、骨格運動、IMUベースの手の動きを含む4つの不均一なモードを融合する。
信頼性トレント駆動の動的融合機構をBiLSTMに組み込んで、双方向の時間的特徴を適応的にバランスさせる。
実践的な組立作業において、このフレームワークは、強力な環境適応性を備えた、能動的で安定した人間とロボットの協調を可能にする。
- 参考スコア（独自算出の注目度）: 4.927894263207565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A confidence-aware multimodal fusion framework (CAMF) is proposed to realize reliable human intention prediction for industrial human-robot collaboration. This framework fuses four heterogeneous modalities including object 6D pose, gaze, skeletal motion and IMU-based hand motion. It embeds a confidence-trend-driven dynamic fusion mechanism into BiLSTM to adaptively balance bidirectional temporal features according to real-time modality reliability. A confidence-guided balanced learning strategy combined with a confidence freezing mechanism is further adopted to adjust network gradients dynamically, suppress noise from low-quality modalities and mitigate cross-modal learning bias. A physical platform based on the UR3 collaborative robot is built for experimental validation. Comparative results show that the proposed method reaches an intention recognition accuracy of 91.86% and outperforms existing multimodal fusion approaches in overall performance and stability. It also maintains satisfactory accuracy under low light and partial occlusion interference. In practical assembly tasks, the framework enables proactive and stable human-robot cooperation with strong environmental adaptability.
- Abstract（参考訳）: 産業用ロボットの協調作業において,信頼性に配慮したマルチモーダル融合フレームワーク(CAMF)を提案する。
この枠組みは、物体6Dポーズ、視線、骨格運動、IMUベースの手の動きを含む4つの不均一なモードを融合する。
信頼性トレント駆動の動的融合機構をBiLSTMに組み込んで、リアルタイムなモーダリティの信頼性に応じて双方向の時間的特徴を適応的にバランスさせる。
さらに、信頼誘導型バランス学習戦略と信頼凍結機構を組み合わせることで、ネットワーク勾配を動的に調整し、低品質モードからのノイズを抑制し、クロスモーダル学習バイアスを軽減する。
UR3コラボレーティブロボットに基づく物理プラットフォームは、実験的な検証のために構築されている。
その結果,提案手法は意図認識精度91.86%に達し,既存のマルチモーダル融合法よりも性能と安定性が高いことがわかった。
また、低光度および部分閉塞干渉下での良好な精度も維持する。
実践的な組立作業において、このフレームワークは、強力な環境適応性を備えた、能動的で安定した人間とロボットの協調を可能にする。
関連論文リスト
- Adaptive Confidence-weighted Expansion for Trustworthy Multi-Omics Multimodal Fusion [0.8749675983608171]
マルチモーダル融合モデルの信頼性を高めるために,適応信頼度重み付き拡張(ACE)を導入する。
ACEは、分類性能と信頼性キャリブレーションの両方において、既存の最先端アルゴリズムよりも大幅に優れている。
論文 参考訳（メタデータ） (2026-07-22T21:42:16Z) - Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats [76.98547580312116]
本稿では,分散モデル予測制御(MPC)と制御バリア関数(CBF)を組み合わせたハイブリッドフレームワークを提案する。
リアルタイムに安全を確保するため、分散CBFベースのフィルタを適用し、エージェント間回避を強制する。
論文 参考訳（メタデータ） (2026-07-22T16:37:05Z) - Consistency-Driven Dual LSTM Models for Kinematic Control of a Wearable Soft Robotic Arm [33.333272339511446]
本稿では,ウェアラブルデバイスに組み込まれた空気圧作動式ロボットアームの前方および逆運動学を正確に学習するための一貫性駆動型デュアルLSTMフレームワークを提案する。
この手法は, アクティベーション入力とエンドエフェクタ位置の1対1マッピング問題に対処しながら, ソフト空気圧アクチュエータの非線形およびヒステリックな挙動を効果的に捉えている。
論文 参考訳（メタデータ） (2026-03-18T12:51:12Z) - Stage-Adaptive Reliability Modeling for Continuous Valence-Arousal Estimation [11.761508894410182]
本稿では,マルチモーダル統合におけるモダリティの信頼度を明示的に推定・校正する段階適応型信頼度モデリングフレームワークを提案する。
SAGEは、ステージ依存の情報量に応じて音声と視覚の表現を動的に再バランスする信頼性に配慮した融合機構を導入している。
Aff-Wild2ベンチマークの実験では、SAGEは既存のマルチモーダル融合法と比較して、一致相関係数のスコアを一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-03-12T02:45:41Z) - BHaRNet: Reliability-Aware Body-Hand Modality Expertized Networks for Fine-grained Skeleton Action Recognition [12.973657570368317]
この研究は、信頼性モデリングとマルチモーダル統合を統一し、スケルトン内ドメインとクロスモーダルドメインの両方にわたる不確実性の下で専門的な学習を一般化する確率的デュアルストリームフレームワークを提案する。
本フレームワークは,(1)標準空間変換を除去し,ネイティブ座標から直接学習するキャリブレーションフリー前処理パイプライン,(2)信頼を必要とせず,信頼性に配慮した2重ストリーム学習を安定化する確率的ノイズOR融合,(3)4つの骨格モーダル(関節,骨,関節運動,骨運動)をRGB表現に結合し,構造的および視覚的運動をブリッジングする内部から横断的なアンサンブルからなる。
論文 参考訳（メタデータ） (2026-01-01T15:13:11Z) - Empower Low-Altitude Economy: A Reliability-Aware Dynamic Weighting Allocation for Multi-modal UAV Beam Prediction [57.04985443535312]
低高度経済(LAE)は、都市空気移動、ロジスティクスドローン、空中センシングによって急速に拡大している。
現在の研究は、シングルシグナルからマルチモーダルコラボレーティブアプローチにシフトしている。
セマンティック・アウェアなマルチモーダルビーム予測フレームワークSaM2Bに,信頼性を考慮した動的重み付け手法を提案する。
論文 参考訳（メタデータ） (2025-12-30T16:24:34Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Feed Two Birds with One Scone: Exploiting Function-Space Regularization for Both OOD Robustness and ID Fine-Tuning Performance [72.57668440744301]
シミュレーションOODサンプルを用いて,関数空間における微調整モデルと事前学習モデルの距離を制約する新しい正規化を提案する。
このアプローチは、ダウンストリームタスクIDの微調整性能と、さまざまなCLIPバックボーン間のOODロバスト性の両方を一貫して改善できる。
論文 参考訳（メタデータ） (2025-08-31T12:14:34Z) - Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。
スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
論文 参考訳（メタデータ） (2025-01-17T10:39:09Z) - Learning Multimodal Confidence for Intention Recognition in Human-Robot Interaction [6.658036685588584]
新たな学習型マルチモーダル融合フレームワークBatch Multimodal Confidence Learning for Opinion Pool (BMCLOP)を提案する。
提案手法は,ベイズ多モード融合法とバッチ信頼度学習アルゴリズムを組み合わせることで,精度,不確実性低減,成功率を向上させる。
所望の補助シナリオでは、3つのモーダルティ・ジェスチャ、スピーチ、視線を考慮し、これらすべてがすべての有限の意図に対してカテゴリー分布を生成する。
論文 参考訳（メタデータ） (2024-05-23T02:43:31Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳（メタデータ） (2021-11-11T14:28:12Z) - Efficient Empowerment Estimation for Unsupervised Stabilization [75.32013242448151]
エンパワーメント原理は 直立位置での 力学系の教師なし安定化を可能にする
本稿では,ガウスチャネルとして動的システムのトレーニング可能な表現に基づく代替解を提案する。
提案手法は, サンプルの複雑さが低く, 訓練時より安定であり, エンパワーメント機能の本質的特性を有し, 画像からエンパワーメントを推定できることを示す。
論文 参考訳（メタデータ） (2020-07-14T21:10:16Z)
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。