論文の概要: Learning from Humans for Proactive Assistance in Human-Robot Collaborative Transport

• arxiv url: http://arxiv.org/abs/2609.25351v1
• Date: Mon, 21 Sep 2026 19:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.092536
• Title: Learning from Humans for Proactive Assistance in Human-Robot Collaborative Transport
• Title（参考訳）: 人間-ロボット協調輸送における積極的な支援のための人間からの学習
• Abstract要約: 我々は、ロジスティクス、製造、家庭にまたがる課題である、人間とロボットのコラボレーティブトランスポートに焦点を当てる。 本稿では,人間とロボットの協調輸送の枠組みであるPROACTを紹介した。 実世界の108回にわたって、9-DoFの移動マニピュレータを用いて、PROACTは平均相互作用作業を59.2%、20.4%削減した。
• 参考スコア（独自算出の注目度）: 0.8880611506199769
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We focus on human-robot collaborative transport, a challenging task of broad relevance spanning logistics, manufacturing, and the home, in which a user and a robot work together to relocate a large or heavy object. To act as an effective partner, the robot should reduce the user's effort by contributing to efficient relocation of the object while remaining physically responsive to them. Prior work often addresses these capabilities separately, producing robots that may move the object efficiently but resist user input, or accommodate the user but depend on continuous guidance. Our key insight is that obstacle-constrained collaborative transport requires integrating predictions of human collaborative behavior with compliant robot control. To this end, we introduce PROACT, a framework for human-robot collaborative transport that incorporates anticipation into compliant whole-body control through a learned model of human collaborative behavior. Trained on a large-scale, real-world dataset of dyadic human transport demonstrations, our transformer architecture distills collaborative behavior into predictions of future object motion. Across 108 real-world trials with a 9-DoF mobile manipulator, PROACT reduces mean interaction work by 59.2\% and 20.4\%, and mean completion time by 12.9\% and 6.9\%, relative to compliance-only and MPC baselines, respectively. Footage from our experiments can be found at https://youtu.be/qAGvQfVPjbk.
• Abstract（参考訳）: 我々は、物流、製造、家庭にまたがる幅広い関係の課題である人間とロボットの協調輸送に焦点を当て、ユーザーとロボットが協力して大きな物体や重い物体を移動させる。 効果的なパートナーとして振る舞うためには、物理的な応答性を維持しながら、効率よく物体の移動に寄与することにより、ユーザの労力を削減すべきである。 従来の作業はしばしばこれらの機能に別々に対処し、オブジェクトを効率的に移動させるが、ユーザの入力に抵抗する、あるいはユーザを適応させるが、継続的なガイダンスに依存するロボットを生成する。 我々の重要な洞察は、障害物に拘束された協調輸送は、人間の協調行動の予測とロボット制御を統合する必要があるということである。 そこで本研究では,人間の協調行動の学習モデルを通じて,予測を体系的な全身制御に組み込む,人間ロボット協調輸送のためのフレームワークであるPROACTを紹介する。 我々のトランスフォーマーアーキテクチャは、大規模で現実的な人間の輸送デモのデータセットに基づいて、将来の物体の動きを予測するために協調的な振る舞いを蒸留します。 PROACTは、9-DoF移動マニピュレータを用いた実世界の108回の試験において、平均相互作用作業を59.2\%、20.4\%、平均完了時間を12.9\%、MPCベースラインに対して6.9\%削減する。 私たちの実験の足跡はhttps://youtu.be/qAGvQfVPjbk.comで確認できます。

関連論文リスト

• Human-Aware Robot Behaviour in Self-Driving Labs [1.3854111346209868]
  移動ロボット化学者(MRC)は、実験室を自律的に移動してサンプルを輸送することで重要な役割を担っている。 現在、MRCは単純なLiDARベースの障害物検出に依存しており、人間が存在する場合はロボットを受動的に待機させる。 本稿では,共有アクセスシナリオにおけるアクティブな人間とロボットの相互作用を容易にする,AI駆動型認識手法を提案する。
  論文  参考訳（メタデータ） (2026-03-09T14:17:18Z)
• Learning Human-Humanoid Coordination for Collaborative Object Carrying [37.81901077587862]
  本稿では,リーダーと追従者の行動を一つの方針で組み合わせた,プロプリセプションのみによる強化学習手法であるCOLAを提案する。 我々は,協調搬送タスクの総合的なシミュレータと実世界の実験を通して,我々のアプローチを評価する。 本手法は,外部センサや複雑な相互作用モデルを必要とすることなく,人間-ヒューマノイドの協調搬送を可能にする。
  論文  参考訳（メタデータ） (2025-10-16T04:36:25Z)
• 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)
• HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
  HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。 私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
  論文  参考訳（メタデータ） (2025-09-12T09:38:17Z)
• Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition [48.65867987106428]
  本稿では,人間とロボットの協調学習システムについて紹介する。 これにより、ロボットエンドエフェクターの制御を学習支援エージェントと共有することができる。 これにより、ダウンストリームタスクにおいて、収集されたデータが十分な品質であることを保証しながら、人間の適応の必要性を減らすことができる。
  論文  参考訳（メタデータ） (2024-06-29T03:37:29Z)
• Robot Interaction Behavior Generation based on Social Motion Forecasting for Human-Robot Interaction [9.806227900768926]
  本稿では,共有ロボット表現空間における社会的動き予測のモデル化を提案する。 ECHOは上記の共有空間で活動し、社会的シナリオで遭遇したエージェントの将来の動きを予測する。 我々は,多対人動作予測タスクにおけるモデルの評価を行い,最先端の性能を大きなマージンで獲得する。
  論文  参考訳（メタデータ） (2024-02-07T11:37:14Z)
• 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)
• 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。