論文の概要: Learning to Plan in Human-Robot Collaboration: Multimodal Reinforcement Learning for Adaptive Interaction

• arxiv url: http://arxiv.org/abs/2609.25274v1
• Date: Mon, 21 Sep 2026 18:18:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.080654
• Title: Learning to Plan in Human-Robot Collaboration: Multimodal Reinforcement Learning for Adaptive Interaction
• Title（参考訳）: ロボット協調における計画の学習--適応的インタラクションのためのマルチモーダル強化学習
• Abstract要約: 本稿では,ロボットのマルチモーダルポリシを自動的に生成するための強化学習(RL)手法を提案する。 従来の対話システムとは対照的に、エージェントは人間のデータを使用し、複数のモーダルを扱えるシミュレータで訓練される。 実世界の環境でシステムを評価する人間による研究は、高いユーザビリティと効果的なタスク完了を示す有望な結果を示している。
• 参考スコア（独自算出の注目度）: 10.051082199766062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot assistants for older adults and people with disabilities need to perform collaborative tasks with users effectively. The core component of these systems is an interaction manager whose job is to observe and assess the task and infer the state of the human and their intent for the robot to choose the best course of action. Due to the sparseness of the data in this domain, the policy for such multimodal systems is often crafted by hand; as the complexity of interactions grows, this process is not scalable. This paper proposes a reinforcement learning (RL) approach to automatically generate the multimodal policy of the robot. Our system focuses on a realistic scenario where a robot assists a user in locating objects within a home environment, managing multimodal signals, including language and physical actions, to select the best action. In contrast to traditional dialog systems, our agent is trained with a simulator that uses human data and can deal with multiple modalities. We use a simple high-level reward function that needs no fine-tuning and enforce some preconditions to speed up the training process. A human study evaluating the system in a real-world setting demonstrates promising results, indicating high usability and effective task completion. This RL-based approach offers a scalable and interpretable alternative for designing interaction managers in multimodal human-robot collaborations.
• Abstract（参考訳）: 高齢者や障害者のロボットアシスタントは,ユーザとの協調作業を効果的に行う必要がある。 これらのシステムの中核となるコンポーネントは、タスクを観察して評価し、ロボットが最良の行動経路を選択するための人間の状態と彼らの意図を推論する相互作用マネージャである。 この領域のデータ不足のため、このようなマルチモーダルシステムのポリシーは手作業で作成されることが多く、相互作用の複雑さが増大するにつれて、このプロセスはスケーラブルではない。 本稿では,ロボットのマルチモーダルポリシを自動的に生成するための強化学習(RL)手法を提案する。 本システムでは,ホーム環境内のオブジェクトの配置や,言語や身体動作を含むマルチモーダル信号の管理をロボットが支援し,最適な行動を選択する,現実的なシナリオに焦点を当てる。 従来の対話システムとは対照的に、エージェントは人間のデータを使用し、複数のモーダルを扱えるシミュレータで訓練される。 我々は、微調整を必要とせず、トレーニングプロセスを高速化するためにいくつかの事前条件を強制する単純なハイレベル報酬関数を使用する。 実世界の環境でシステムを評価する人間による研究は、高いユーザビリティと効果的なタスク完了を示す有望な結果を示している。 このRLベースのアプローチは、マルチモーダルなヒューマンロボットコラボレーションにおいて、対話マネージャを設計するためのスケーラブルで解釈可能な代替手段を提供する。

関連論文リスト

• Multi-Cycle Spatio-Temporal Adaptation in Human-Robot Teaming [7.507798648267691]
  本稿では,複数のサイクルにまたがって個人の空間的行動(運動経路)と時間的行動(タスク完了に必要な時間)をモデル化し,アプローチを統一する枠組みを提案する。 7-DOFロボットアームを用いたシミュレーションと物理ロボットシナリオにおけるアブレーション研究を通して、この二重適応の重要性を実証する。
  論文  参考訳（メタデータ） (2026-04-21T16:49:59Z)
• Mixed-Initiative Dialog for Human-Robot Collaborative Manipulation [8.446410154654467]
  MICoBotは、両方のエージェントが自然言語を使用して、タスクの最も優れたステップを完遂できる提案を定式化、受け入れ、拒否する、という一般的なシナリオを扱う。 課題指向の対話を多様に扱うために,MICoBotは,(1)メタプランナーが人間のダイアログに高レベルの協調戦略を定式化してコーディングすることを考慮し,(2)プランナーがロボットの能力に基づいて各エージェントに残りのステップを最適に割り当てる,(3)行動が人間に言うような低レベルの行動を決定する,という3段階の意思決定を行う。
  論文  参考訳（メタデータ） (2025-08-07T16:09:12Z)
• EMOS: Embodiment-aware Heterogeneous Multi-robot Operating System with LLM Agents [33.77674812074215]
  異種ロボット間の効果的な協調を実現するための新しいマルチエージェントフレームワークを提案する。 エージェントがロボットURDFファイルを理解し、ロボットキネマティクスツールを呼び出し、その物理能力の記述を生成する。 Habitat-MASベンチマークは、マルチエージェントフレームワークがエンボディメント認識推論を必要とするタスクをどのように処理するかを評価するように設計されている。
  論文  参考訳（メタデータ） (2024-10-30T03:20:01Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Chat with the Environment: Interactive Multimodal Perception Using Large Language Models [19.623070762485494]
  大型言語モデル(LLM)は、数発のロボット計画において顕著な推論能力を示している。 本研究は,LLMがマルチモーダル環境下での対話型ロボットの動作を制御し,高レベルな計画と推論能力を提供することを示す。
  論文  参考訳（メタデータ） (2023-03-14T23:01:27Z)
• Dexterous Manipulation from Images: Autonomous Real-World RL via Substep Guidance [71.36749876465618]
  本稿では,ユーザが新しいタスクを定義するための"プログラミング不要"なアプローチを提供する,視覚に基づくデクスタラスな操作システムについて述べる。 本システムには,最終タスクと中間タスクを画像例で定義するためのフレームワークが組み込まれている。 実世界における多段階物体操作の4指ロボットハンドラーによる実験結果
  論文  参考訳（メタデータ） (2022-12-19T22:50:40Z)
• 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)

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。