論文の概要: WSM-Aware HRI: An IoT-Enhanced Framework for Early Detection and Norm-Guided Repair of Failures with LLM Guidance
- arxiv url: http://arxiv.org/abs/2609.32336v1
- Date: Sat, 26 Sep 2026 07:53:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 17:36:58.744191
- Title: WSM-Aware HRI: An IoT-Enhanced Framework for Early Detection and Norm-Guided Repair of Failures with LLM Guidance
- Title（参考訳）: WSM-Aware HRI - LLMガイダンスによる早期検出とノームガイドによる障害修復のためのIoT拡張フレームワーク
- Abstract要約: We propose WSM-Aware HRI, a IoT-enhanced modular framework that we simply various HRI downs as World-State Mismatches。
大きな言語モデル(LLM)は暗黙の仮定を明示し、それらを小さなミスマッチタイプにマッピングし、検証に必要な証拠を特定するために使われる。
視覚的および潜在状態のミスマッチにまたがる10症例のミスマッチ同定について検討した。
- 参考スコア（独自算出の注目度）: 15.303408059033565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human-robot interaction (HRI) failures remain a major barrier to deploying robots in real-world environments. Prior work often treats failures as isolated technical faults or focuses on post-hoc recovery behaviors. In practice, many breakdowns arise because humans and robots operate under inconsistent assumptions about the current world state. We propose WSM-Aware HRI, an IoT-enhanced modular framework that unifies diverse HRI breakdowns as World-State Mismatches (WSMs) between a human's instruction-implied assumptions and a robot's grounded world model built from multimodal perception and digital augmentation. A Large Language Model (LLM) is used to make implicit assumptions explicit, map them to a small set of mismatch types, and specify the evidence needed for verification against the robot's world state. WSM-Aware HRI shifts failure handling from execution-time recovery to proactive mismatch detection during intention formation, enabling interventions guided by safety, norm compliance, and multi-user coordination with transparent explanations. We evaluate mismatch identification in ten everyday cases spanning both visual and latent-state mismatches. The system can accurately produce the expected output results, and ablations show that reliable identification depends on appropriate grounding representations and verification-oriented refinement. These results indicate that treating interaction breakdowns as explicit world-state mismatches enables earlier detection of impending failures and offers a principled mechanism for integrating external evidence and social constraints into human-robot interaction.
- Abstract（参考訳）: HRI(Human-robot Interaction)障害は、現実の環境でロボットをデプロイする上で、依然として大きな障壁である。
以前の作業では、障害を独立した技術的欠陥として扱うことや、ホット後のリカバリ行動に焦点を当てることが多かった。
実際には、人間とロボットが現在の世界状態に関する矛盾した仮定の下で動作しているため、多くのブレークダウンが発生する。
We propose WSM-Aware HRI, a IoT-enhanced modular framework that a various HRI breakdowns as World-State Mismatches (WSMs) between a human's instruction-implied assumptions and a robot's grounded world model built from multimodal perception and digital augmentation。
LLM(Large Language Model)は、暗黙の仮定を明示し、それらを小さなミスマッチタイプにマッピングし、ロボットの世界状態に対する検証に必要な証拠を特定するために用いられる。
WSM-Aware HRIは、障害処理を実行時のリカバリから意図形成中の能動的ミスマッチ検出にシフトし、透過的な説明による安全性、標準コンプライアンス、マルチユーザ調整によってガイドされた介入を可能にする。
視覚的および潜在状態のミスマッチにまたがる10症例のミスマッチ同定について検討した。
システムは予測された出力結果を正確に生成することができ、信頼性の高い識別は適切な基底表現と検証指向の洗練に依存していることを示す。
これらの結果は、相互作用の崩壊を明示的な世界的ミスマッチとして扱うことで、差し迫った失敗の早期発見を可能にし、外部の証拠や社会的制約を人間とロボットの相互作用に統合するための原則的なメカニズムを提供することを示している。
関連論文リスト
- Don't Fool Me Twice: Adapting to Adversity in the Wild with Experience-Driven Reasoning [2.3555777010480337]
ロボット工学では、危険と逆転モードは、しばしば具体的であり、各エージェントに対して相対的である。
本稿では,障害から学習し,異常な動作を原因とみなすための,移動体具体化エージェントのための連続学習フレームワークを提案する。
本研究は,4つの仮説を提示し,シミュレーションおよびハードウェア上での逆数モードおよび逆数モードによる検証を行う。
論文 参考訳（メタデータ） (2026-05-29T10:30:02Z) - Silent Failures in Physical AI: A Literature Review of Runtime Action Authorization for Autonomous Systems [1.9544213396776273]
物理AIシステムは、多モーダルな観察、言語指示、学習された世界表現を物理的に連続した行動にマップするようになっている。
この移行は、従来のAIコンテンツモデレーションによって完全に捉えられていない安全性の問題を明らかにする。
ブラックボックスの物理AIモデルと物理実行の間に完全なランタイム認証境界を提供する単一のストリームは存在しない。
論文 参考訳（メタデータ） (2026-05-23T16:48:03Z) - Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。
アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。
ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
論文 参考訳（メタデータ） (2026-04-21T15:05:58Z) - Multimodal Anomaly Detection for Human-Robot Interaction [0.0]
本稿では,ビデオストリームを意味論的に意味のある特徴ベクトルに変換して,再構成に基づく異常検出を行うフレームワークを提案する。
これらの視覚特徴ベクトルを、ロボットの内部センサーの読み取りとシーングラフで拡張することで、モデルが視覚環境における外部異常とロボット内部の障害の両方を捉えることができる。
論文 参考訳（メタデータ） (2026-04-10T13:51:19Z) - ManipArena: Comprehensive Real-world Evaluation of Reasoning-Oriented Generalist Robot Manipulation [66.02142169323521]
Vision-Language-ActionモデルとWorld Modelは最近、汎用ロボットインテリジェンスのための有望なパラダイムとして登場した。
既存のベンチマークは、主にシミュレータ中心であり、制御性を提供するが、知覚ノイズによって引き起こされる現実のギャップを捉えることができない。
シミュレーションと実世界の実行を橋渡しする標準化された評価フレームワークであるManipArenaを紹介する。
論文 参考訳（メタデータ） (2026-03-30T15:06:41Z) - Pro-HOI: Perceptive Root-guided Humanoid-Object Interaction [57.252599851031505]
本稿では,知覚根誘導型ヒューマノイドオブジェクトインタラクション,Pro-HOIを紹介する。
Pro-HOIは、堅牢なヒューマノイドロコ操作のための一般化可能なフレームワークである。
ユニツリーG1ロボットの実証検証は、Pro-HOIが一般化と堅牢性においてベースラインを著しく上回っていることを示す。
論文 参考訳（メタデータ） (2026-03-01T14:19:59Z) - Generative Human-Object Interaction Detection via Differentiable Cognitive Steering of Multi-modal LLMs [85.69785384599827]
人間と物体の相互作用(Human-object Interaction、HOI)の検出は、人と物体のペアとそれらの相互作用を局在させることを目的としている。
既存のメソッドはクローズドワールドの仮定の下で動作し、タスクを未定義の小さな動詞集合上の分類問題として扱う。
本稿では,閉集合分類タスクから開語彙生成問題へのHOI検出を再構成する新しい生成推論・ステアブル知覚フレームワークGRASP-HOを提案する。
論文 参考訳（メタデータ） (2025-12-19T14:41:50Z) - Real-Time Human-Robot Interaction Intent Detection Using RGB-based Pose and Emotion Cues with Cross-Camera Model Generalization [0.8839687029212673]
公共空間におけるサービスロボットは、自然な相互作用のための人間の行動意図をリアルタイムに理解する必要がある。
モノクラーRGBビデオから抽出した2次元骨格ポーズと顔の感情特徴を融合したフレーム精度の人-ロボットインタラクション意図検出のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-18T08:44:22Z) - MEMBOT: Memory-Based Robot in Intermittent POMDP [0.0]
MEMBOTは、ロボット制御タスクにおける間欠的な部分的可観測性に対処するために設計されたメモリベースのアーキテクチャである。
我々はMetaWorldとRoomimicの10のロボット操作ベンチマークタスクでMEMBOTをトレーニングし評価する。
その結果,MEMBOTはメモリレスベースラインと鼻リカレントベースラインの両方を一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2025-09-14T12:00:52Z) - Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。
現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。
情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
論文 参考訳（メタデータ） (2025-03-21T18:06:28Z)
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。