論文の概要: Robots That Take Initiative: A Framework for Building and Evaluating Proactive Robots

• arxiv url: http://arxiv.org/abs/2609.28910v1
• Date: Thu, 24 Sep 2026 01:42:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.649885
• Title: Robots That Take Initiative: A Framework for Building and Evaluating Proactive Robots
• Title（参考訳）: 先進的なロボットの構築と評価のためのフレームワーク「イニシアチブ」
• Abstract要約: 我々は,プロアクティブなロボット支援のための統一的なフォーマリズムを導入し,それを3つのレベルに編成し,プロアクティブなロボット支援の最高レベルに対応するための枠組みを提供する。 そして,この設定でオフライン評価が性能を過大評価し,ロボットに適応する人間モデルによるクローズドループ評価に寄与することを示す。 最後に、我々のフレームワークをインスタンス化し、受動的観察から学習し、ユーザの目標と行動を予測する手法であるGAPを提案する。
• 参考スコア（独自算出の注目度）: 4.26126116628134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective robot assistance beyond narrow roles and repetitive tasks requires robots to be proactive - to decide what needs to be done rather than waiting to be told. While proactivity is increasingly explored, it lacks a unified formulation, and work in the domain is typically evaluated offline against static human models that cannot capture the effect of a robot's actions on the environment and the user's own behavior. We introduce a unified formalism for proactive robot assistance, organize it into three levels, and provide a framework to address the highest level of unprompted proactive assistance. We then show that offline evaluation overstates performance in this setting, and contribute a closed-loop evaluation with a human model that adapts to the robot. Finally, we present a method, GAP, that instantiates our framework, learning from passive observation to anticipate user goals and act. Under closed-loop evaluation, prior state-of-the-art methods collapse, in some cases adding more work than they save, while GAP remains robust and substantially outperforms them.
• Abstract（参考訳）: 狭い役割や反復的なタスクを超えた効果的なロボット支援は、ロボットに指示を待つのではなく、何をすべきかを決定するために、積極的に行う必要がある。 プロアクティビティはますます探求されているが、統一的な定式化が欠如しており、通常、ドメイン内の作業は、ロボットの動作が環境やユーザーの行動に与える影響を捉えられない静的な人間モデルに対してオフラインで評価される。 本稿では,プロアクティブなロボット支援のための統一的なフォーマリズムを導入し,それを3つのレベルに編成し,プロアクティブな支援を最も高いレベルのプロアクティブな支援に対処するための枠組みを提供する。 そして,この設定でオフライン評価が性能を過大評価し,ロボットに適応する人間モデルによるクローズドループ評価に寄与することを示す。 最後に、我々のフレームワークをインスタンス化し、受動的観察から学習し、ユーザの目標と行動を予測する手法であるGAPを提案する。 クローズドループ評価では、先行の最先端手法が崩壊し、いくつかのケースでは、保存するよりも多くの作業が加えられる一方、GAPは頑健であり、大幅に性能が向上する。

関連論文リスト

• GazeVLA: Learning Human Intention for Robotic Manipulation [22.106797717672293]
  エボディード・ファンデーション・モデルは、ロボット操作において大きなブレークスルーを達成したが、それでも大規模なロボットのデモンストレーションに大きく依存している。 人間の行動の根底にある意図は、このギャップを埋めるための強力な中間表現として役立つと我々は主張する。 本稿では,ロボット操作を容易にするための人間の意図を明示的に学習し,伝達する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-24T14:46:03Z)
• Multiview Progress Prediction of Robot Activities [16.115236556856992]
  本稿では,ロボット操作タスクにおける動作進行予測のためのマルチビューアーキテクチャを提案する。 モバイルALOHA実験は,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2026-02-25T07:19:00Z)
• ProVox: Personalization and Proactive Planning for Situated Human-Robot Collaboration [28.29030844693482]
  協調型ロボットは、パートナーの意図や好みに迅速に適応し、積極的に有用な行動を特定する必要がある。 ProVoxは、ロボットが個人の協力者に効率よくパーソナライズし、適応できる新しいフレームワークである。 分析の結果,メタプロンプトとプロアクティブの両方が重要であり,タスク完了時間が38.7%,ユーザ負担が31.9%減少した。
  論文  参考訳（メタデータ） (2025-06-13T21:50:10Z)
• Rethinking the Intermediate Features in Adversarial Attacks: Misleading Robotic Models via Adversarial Distillation [23.805401747928745]
  本稿では,言語調和型ロボットモデルに適した,新たな対角攻撃を提案する。 本研究は,ロボット領域に直接移行した場合,既存の対角法が有効性に限界があることを実証する。 敵攻撃に対する中間的特徴の有益な影響を同定し,攻撃効果を高めるために,中間的自己意図的特徴の負の勾配を利用する。
  論文  参考訳（メタデータ） (2024-11-21T02:46:04Z)
• Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics [68.36528819227641]
  本稿では,ビジョン・ランゲージ・アクション(VLA)モデルのロバスト性を体系的に評価する。 本研究では,ロボット行動の不安定化に空間的基盤を活用する2つの未目標攻撃目標と,ロボット軌道を操作する目標攻撃目標を導入する。 我々は、カメラの視野に小さなカラフルなパッチを配置し、デジタルと物理の両方の環境で効果的に攻撃を実行する逆パッチ生成アプローチを設計する。
  論文  参考訳（メタデータ） (2024-11-18T01:52:20Z)
• An Epistemic Human-Aware Task Planner which Anticipates Human Beliefs and Decisions [8.309981857034902]
  目的は、制御不能な人間の行動を説明するロボットポリシーを構築することである。 提案手法は,AND-OR探索に基づく新しい計画手法と解法の構築である。 2つの領域における予備的な実験は、1つの新しいものと1つの適応されたもので、フレームワークの有効性を実証している。
  論文  参考訳（メタデータ） (2024-09-27T08:27:36Z)
• 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)
• 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。