論文の概要: Real-Time Service Robot Replanning via Simple Button Interaction for Improved Task Success and User Experience

• arxiv url: http://arxiv.org/abs/2609.17541v1
• Date: Tue, 14 Jul 2026 16:23:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.548393
• Title: Real-Time Service Robot Replanning via Simple Button Interaction for Improved Task Success and User Experience
• Title（参考訳）: タスク成功とユーザエクスペリエンス向上のためのシンプルなボタンインタラクションによるリアルタイムサービスロボットのリプランニング
• Abstract要約: サービスロボットは現実の環境で予期せぬ指示に応答しなければならない。 ロボットが人間のフィードバックに基づいて行動を変更することができるリアルタイムフィードバック機能を提案する。
• 参考スコア（独自算出の注目度）: 2.0099255688059907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Service robots must respond to unexpected instructions in real-world environments. However, robots cannot detect all failures and exceptions during a task. To address these issues, we propose a real-time feedback function that enables robots to modify their behavior based on human feedback. In this system, users can intuitively send feedback to the robot by pressing a single button on a tablet when the robot fails to act correctly. Robots use this feedback to consider their failures and replan appropriate actions to complete the task. We conducted experiments with and without the feedback function to verify the following hypothesis: "Simple interactions do not cause a negative user experience." All questionnaire responses are evaluated on a five-point Likert scale. After adding the feedback function, the response score for the question "Did you feel that the robot's behavior was unexpected?" improved by 0.5 points, and that for "Did you feel anxious about the robot's behavior at times?" improved by 0.9 points. These results support the study's hypothesis and indicate that incorporating this real-time feedback function can simultaneously improve task success and the user experience.
• Abstract（参考訳）: サービスロボットは現実の環境で予期せぬ指示に応答しなければならない。 しかし、ロボットはタスク中のすべての障害や例外を検出することはできない。 これらの課題に対処するために,ロボットが人間のフィードバックに基づいて行動を変更することができるリアルタイムフィードバック機能を提案する。 本システムでは,ロボットが正しく動作しなかった場合に,タブレットに1つのボタンを押すことで,直感的にロボットにフィードバックを送ることができる。 ロボットはこのフィードバックを使って失敗を考慮し、タスクを完了させるために適切なアクションを計画する。 フィードバック関数を使わずに実験を行い,以下の仮説を検証した。 質問票の回答は5点様々の尺度で評価される。 フィードバック関数を追加すると,「ロボットの動作が予期しないと感じたか?」という質問に対する回答スコアが0.5ポイント向上し,「ロボットの動作が時々不安になったか?」が0.9ポイント向上した。 これらの結果は研究の仮説を支持し,このリアルタイムフィードバック機能を取り入れることで,タスクの成功とユーザエクスペリエンスを同時に改善できることを示す。

関連論文リスト

• 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)
• Addressing Ambiguity in Imitation Learning through Product of Experts based Negative Feedback [1.6257004893674196]
  本稿では,不明瞭なタスクを解くために,最適でないデモを活用できるシステムを提案する。 負フィードバックシステムは、あいまいなタスクに対する純粋にポジティブな模倣学習よりも大幅に改善する。
  論文  参考訳（メタデータ） (2026-03-27T14:32:52Z)
• Calling for Backup: How Children Navigate Successive Robot Communication Failures [15.205829674404848]
  本研究は,若年者が繰り返しロボットの会話誤りにどう反応するかを検討するために,子育て参加者 (N=59, 8-10歳) との連続したロボット故障パラダイムを再現する。 子どもたちはプロンプトを調整し、口調を変え、連続的なエラーを通じて感情的な非言語的反応を示した。 これらの知見は,若年者を対象としたより効果的で,発達的に適切なロボットインタラクションシステムの設計を示唆するものである。
  論文  参考訳（メタデータ） (2026-01-02T17:18:10Z)
• Training Models to Detect Successive Robot Errors from Human Reactions [11.790205457987488]
  この研究は、人間の反応からロボットの失敗の段階を認識するために機械学習を使用する。 会話エラーを繰り返したロボットと対話する26人の被験者を対象にした研究では、映像データから行動特徴を抽出し、モデルを訓練した。 最良のモデルは、エラーを検出するための93.5%の精度と、連続する障害を分類するための84.1%を達成した。
  論文  参考訳（メタデータ） (2025-10-10T07:25:44Z)
• Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics [55.05920313034645]
  本稿では,ロボット制御に特化して具体的推論を強化するため,強化学習を活用した新しいフレームワークであるRobot-R1を紹介する。 DeepSeek-R1学習アプローチにインスパイアされたRobot-R1は、推論に基づく応答をサンプリングし、より正確な予測につながるものを強化する。 実験の結果,ロボットR1で訓練したモデルは,具体的推論タスクにおいて,SFT法よりも優れていた。
  論文  参考訳（メタデータ） (2025-05-29T16:41:12Z)
• SIME: Enhancing Policy Self-Improvement with Modal-level Exploration [49.86173021151849]
  自己改善を成功させる鍵は、モーダルレベルの探索とデータ選択である。 ポリシー実行中にモーダルレベルの探索機構を組み込むことで、ロボットはより多様なマルチモーダルインタラクションを生成できる。 シミュレーションベンチマークと実世界実験の両方において,効果的なロボット自己改善の実証に成功した。
  論文  参考訳（メタデータ） (2025-05-02T17:13:03Z)
• CoBOS: Constraint-Based Online Scheduler for Human-Robot Collaboration [3.3148826359547523]
  本稿では,リアクティブ実行制御フレームワークを用いたオンライン制約ベースのスケジューリング手法を提案する。 これにより、ロボットは(人間によって)遅延した活動完了や活動選択などの不確実な事象に適応することができる。 作業条件の改善に加えて,本アルゴリズムは極めて不確実なシナリオにおいても,効率の向上につながる。
  論文  参考訳（メタデータ） (2024-03-27T11:18:01Z)
• What Matters to You? Towards Visual Representation Alignment for Robot Learning [81.30964736676103]
  人のために運用する場合、ロボットはエンドユーザーの好みに合わせて報酬を最適化する必要がある。 本稿では、視覚的表現アライメント問題を解決するためのRAPL(Representation-Aligned Preference-based Learning)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T23:04:07Z)
• 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)
• Impact of Explanation on Trust of a Novel Mobile Robot [1.603423221531441]
  期待されるロボット動作の説明の存在は、自律ロボットに対する監督者の信頼に影響を及ぼした。 調査を通じて主観的および客観的に信頼度を測定した。
  論文  参考訳（メタデータ） (2021-01-26T14:36:26Z)

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。