論文の概要: Towards Adaptive Interaction Strategies for Human Companion Robot via Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.25031v1
• Date: Thu, 20 Aug 2026 11:23:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.837069
• Title: Towards Adaptive Interaction Strategies for Human Companion Robot via Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習によるロボットの適応的インタラクション戦略
• Abstract要約: 本研究では,強化学習(DRL, Reinforcement Learning)を用いて,移動ロボットが各種条件に応じてトラッキング位置を調整できる新しいヒューマンコンパニオン方式を提案する。 実験では、ロボットが最大1.7m/sの速度で歩く人に柔軟に同行する能力を示し、固定位置に制限されずに戦略を動的に調整する。
• 参考スコア（独自算出の注目度）: 0.5801044612920815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of Human-Robot Interaction (HRI), achieving flexibility in human-accompanying within real-world environments holds great potential for various applications but also poses significant challenges. Traditional methods typically restrict robots to fixed positions relative to humans, such as tracking from behind, in front, or side-by-side, which limits robot adaptability in dynamic workspaces. This study introduces a novel human-companioning strategy that uses Reinforcement Learning (DRL) to enable mobile robots to dynamically adjust their tracking positions according to varying conditions. An interaction space is defined to capture the relationship between the human and the robot while considering the environment, which serves as the basis for state spaces in DRL to assist the robot in adapting to environmental changes. A human-robot companion controller is developed by integrating Model Predictive Path Integral (MPPI) control with Control Barrier Functions (CBF), ensuring that the robot accurately follows the target's movement in both position and orientation while avoiding obstacles and enhancing social acceptance and safety. The proposed approach is evaluated in real-world scenarios, both indoors and outdoors, and compared with other studies. The results show that the proposed method improves the success rate and tracking accuracy by at least 24% and 47%, respectively, while enhancing human comfort. Experiments demonstrate the robot's ability to flexibly accompany a person walking at speeds of up to 1.7 m/s, dynamically adjusting its strategy without being confined to a fixed position. Additionally, the robot respects the human's intimate space to ensure safety, comfort, and effective obstacle avoidance.
• Abstract（参考訳）: HRI(Human-Robot Interaction)の分野では、実環境における人間対応の柔軟性の実現は、様々なアプリケーションにとって大きな可能性を秘めているが、同時に大きな課題も生んでいる。 従来の方法では、ロボットは人間に対する固定的な位置、例えば後方からの追跡、前方からの追跡、あるいは動的ワークスペースにおけるロボット適応性を制限するサイドバイサイドに制限される。 本研究では,強化学習(DRL, Reinforcement Learning)を用いて移動ロボットの追従位置を様々な条件で動的に調整できる新しいヒューマンコンパニオン方式を提案する。 対話空間は、DRLの状態空間の基礎となる環境を考慮して、人間とロボットの関係を捉え、ロボットが環境の変化に適応するのを助けるために定義される。 モデル予測パス積分(MPPI)制御と制御バリア機能(CBF)を一体化して、障害物を回避し、社会的受容と安全性を高めるとともに、ロボットが目標の動きを的確に追従することを保証する。 提案手法は屋内および屋外の両方の現実世界のシナリオで評価され、他の研究と比較される。 その結果, 提案手法は, 人間の快適性を高めつつ, 成功率と追跡精度を少なくとも24%, 47%向上させることがわかった。 実験では、ロボットが最大1.7m/sの速度で歩く人に柔軟に同行する能力を示し、固定位置に制限されずに戦略を動的に調整する。 さらに、ロボットは人間の親密な空間を尊重し、安全、快適、効果的な障害物回避を確保する。

関連論文リスト

• Safe, Fluent and Acceptable Motion Generation and Execution for Human--Robot Interaction in Manufacturing Environments [0.9786690381850353]
  ロボットシステムにソーシャル・アウェア・モーション・コントロールを統合することとの関連性について論じる。 本研究では,4つの社会的インフォームドロボット行動を生成するモデル予測制御フレームワークを実装した。 その結果,ロボット行動の変動が,システムの社会的受容性に大きく影響していることが示唆された。
  論文  参考訳（メタデータ） (2026-06-07T17:21:07Z)
• Adaptive Vision-Based Control of Redundant Robots with Null-Space Interaction for Human-Robot Collaboration [7.779638839381672]
  人間とロボットのコラボレーションは、ロボットとの協力を通じて人間の能力を拡張することを目的としている。 人間とロボットのコラボレーションが1つのロボット/人間より優れているように、双方のパフォーマンスを向上させることは、未解決の問題である。 タスク空間における適応的視覚に基づく制御項と、ヌル空間における対話的制御項からなる冗長ロボットの新しい制御方式が提案されている。
  論文  参考訳（メタデータ） (2026-03-09T08:30:14Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis [51.95817740348585]
  Human-Xは、様々な実体をまたいだ没入的で物理的に妥当なヒューマンインタラクションを可能にするために設計された、新しいフレームワークである。 本手法は, 自己回帰型反応拡散プランナを用いて, リアルタイムに反応と反応を同時予測する。 我々のフレームワークは、人間とロボットのインタラクションのための仮想現実インターフェースを含む、現実世界のアプリケーションで検証されている。
  論文  参考訳（メタデータ） (2025-08-04T06:35:48Z)
• Safe Human Robot Navigation in Warehouse Scenario [15.277331501780488]
  本研究は,制御バリア機能(CBF)を活用し,倉庫ナビゲーションの安全性を高める手法を提案する。 学習ベースのCBFとOpen Robotics Middleware Framework(OpenRMF)を統合することで、マルチロボット、マルチエージェントシナリオにおける適応性と安全性向上の制御を実現する。
  論文  参考訳（メタデータ） (2025-03-27T04:12:27Z)
• Rearrange Indoor Scenes for Human-Robot Co-Activity [82.22847163761969]
  本稿では,室内家具を人間ロボットのコアクティビティを向上するために,室内家具の配置を最適化した枠組みを提案する。 提案アルゴリズムは,SUNCGとConceptNetから抽出した空間的・意味的共起情報を統合することにより,家具間の機能的関係を保っている。 実験の結果、アレンジされたシーンは平均して14%のスペースを提供し、30%以上のオブジェクトをやりとりできることがわかった。
  論文  参考訳（メタデータ） (2023-03-10T03:03:32Z)
• SERA: Safe and Efficient Reactive Obstacle Avoidance for Collaborative Robotic Planning in Unstructured Environments [1.5229257192293197]
  本稿では,リアクティブな全身障害物回避手法を提案する。 ロボットアームは、直接接触することなく、任意の3次元形状の障害物を積極的に回避することができる。 本手法は,非定常環境における安全ロボット協調のための堅牢で効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2022-03-24T21:11:43Z)
• Regularized Deep Signed Distance Fields for Reactive Motion Generation [30.792481441975585]
  距離に基づく制約は、ロボットが自分の行動を計画し、安全に行動できるようにするための基本となる。 本研究では,任意のスケールでスムーズな距離場を計算できる単一暗黙関数ReDSDFを提案する。 共有作業空間における全身制御(WBC)と安全なヒューマンロボットインタラクション(HRI)のための代表的タスクにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-03-09T14:21:32Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Show Me What You Can Do: Capability Calibration on Reachable Workspace for Human-Robot Collaboration [83.4081612443128]
  本稿では,REMPを用いた短時間キャリブレーションにより,ロボットが到達できると考える非専門家と地道とのギャップを効果的に埋めることができることを示す。 この校正手順は,ユーザ認識の向上だけでなく,人間とロボットのコラボレーションの効率化にも寄与することを示す。
  論文  参考訳（メタデータ） (2021-03-06T09:14:30Z)

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。