論文の概要: Assisting for Open-Ended Tasks: Goal-Oriented Shared Autonomy as a Particle Filter

• arxiv url: http://arxiv.org/abs/2609.32576v1
• Date: Sat, 26 Sep 2026 12:49:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 06:15:04.486295
• Title: Assisting for Open-Ended Tasks: Goal-Oriented Shared Autonomy as a Particle Filter
• Title（参考訳）: オープンエンドタスク支援:粒子フィルタとしてのゴール指向共有自律性
• Abstract要約: 共有自律のための一般的なアプローチは、人間の目標に基づいて人間の入力と自律的な援助をブレンドする。 目標指向の共有自律性を粒子フィルタとして定式化する。 我々は,この枠組みを,文脈関連セマンティックゴールの提案,低レベルのスキルプリミティブからの目標条件付き支援の生成,人間の補正からそれらのスキルを洗練する基礎モデルを用いてインスタンス化する。
• 参考スコア（独自算出の注目度）: 4.5714169311906465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A common approach for shared autonomy blends human inputs with autonomous assistance based on the human's likely goal. However, most existing approaches assume that a static set of possible goals is known a priori, which limits the use of such methods in unstructured assistive settings. We instead investigate how to enable shared autonomy with open-ended and dynamically changing goals. We formulate goal-oriented shared autonomy as a particle filter in which particles represent candidate human goals. Unlike conventional approaches with a fixed goal set, our transition model dynamically proposes new candidate goals as the interaction evolves, and human actions update the belief over these goals in real time. We instantiate this framework with foundation models (e.g., vision grounding and large language models) that propose context-relevant semantic goals, generate goal-conditioned assistance from low-level skill primitives, and refine those skills from human corrections. We assess our approach through a user study where 12 participants perform a variety of tabletop manipulation tasks with our method and state-of-the-art shared autonomy baselines. The results show that our particle filter-based approach reduces the amount of time users spend teleoperating the system and improves user satisfaction. User study videos: https://youtu.be/Ii26XuRqm9c
• Abstract（参考訳）: 共有自律のための一般的なアプローチは、人間の目標に基づいて人間の入力と自律的な援助をブレンドする。 しかし、既存のほとんどのアプローチでは、可能なゴールの静的なセットは、非構造化的な補助的設定におけるそのようなメソッドの使用を制限するプリミティブとして知られていると仮定している。 代わりに、オープンエンドと動的に変化する目標で共有自律性を有効にする方法を検討します。 目標指向の共有自律性を粒子フィルタとして定式化する。 固定された目標セットを持つ従来のアプローチとは異なり、我々の遷移モデルは相互作用が進化するにつれて動的に新しい候補目標を提案し、人間の行動はこれらの目標に対する信念をリアルタイムで更新する。 我々は,このフレームワークを,文脈関連セマンティックな目標を提案し,低レベルのスキルプリミティブから目標条件付き支援を生成し,それらのスキルを人間の修正から洗練する基礎モデル(ビジョン接地モデルや大規模言語モデルなど)でインスタンス化する。 12人の参加者がさまざまなテーブルトップ操作タスクを,私たちの方法と最先端の共有自律ベースラインで実施するユーザスタディを通じて,このアプローチを評価した。 その結果, 粒子フィルタによるアプローチにより, 遠隔操作に要する時間を削減し, ユーザの満足度を向上させることができた。 ユーザー調査ビデオ:https://youtu.be/Ii26XuRqm9c

関連論文リスト

• WANDR: Intention-guided Human Motion Generation [67.07028110459787]
  我々は,アバターの初期ポーズとゴールの3D位置を取り,ゴール位置にエンドエフェクタ(抵抗)を配置する自然な人間の動きを生成するデータ駆動モデルであるWADRを紹介する。 インテンションはエージェントをゴールに誘導し、サブゴールやモーションパス全体を定義することなく、新しい状況にインタラクティブに世代を適応させる。 提案手法を広範に評価し,3次元目標に到達した自然および長期の動作と,見当たらない目標位置を生成できることを実証する。
  論文  参考訳（メタデータ） (2024-04-23T10:20:17Z)
• NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration [57.15811390835294]
  本稿では,目標指向ナビゲーションと目標非依存探索の両方を扱うために,単一の統合拡散政策をトレーニングする方法について述べる。 この統一された政策は、新しい環境における目標を視覚的に示す際に、全体的な性能が向上することを示す。 実世界の移動ロボットプラットフォーム上で実施した実験は,5つの代替手法と比較して,見えない環境における効果的なナビゲーションを示す。
  論文  参考訳（メタデータ） (2023-10-11T21:07:14Z)
• To the Noise and Back: Diffusion for Shared Autonomy [5.739826835394077]
  拡散モデルの前方および逆拡散過程を変調した共有自律性に対する新しいアプローチを提案する。 我々のフレームワークは望ましい行動の空間上の分布を学習する。 次に、拡散モデルを使用して、ユーザのアクションをこのディストリビューションのサンプルに変換する。
  論文  参考訳（メタデータ） (2023-02-23T18:58:36Z)
• Generative multitask learning mitigates target-causing confounding [61.21582323566118]
  マルチタスク学習のための因果表現学習のためのシンプルでスケーラブルなアプローチを提案する。 改善は、目標を狙うが入力はしない、観測されていない共同ファウンダーを緩和することによる。 人の属性とタスクノミーのデータセットに対する我々の結果は、事前の確率シフトに対するロバストネスの概念的改善を反映している。
  論文  参考訳（メタデータ） (2022-02-08T20:42:14Z)
• AvE: Assistance via Empowerment [77.08882807208461]
  そこで我々は,人間の環境制御能力を高めることで,支援のための新しいパラダイムを提案する。 このタスクに依存しない目的は、個人の自律性と最終的な状態を達成する能力を維持する。
  論文  参考訳（メタデータ） (2020-06-26T04:40:11Z)
• Automatic Curriculum Learning through Value Disagreement [95.19299356298876]
  新しい未解決タスクを継続的に解決することが、多様な行動を学ぶための鍵です。 エージェントが複数の目標を達成する必要があるマルチタスク領域では、トレーニング目標の選択はサンプル効率に大きな影響を与える可能性がある。 そこで我々は,エージェントが解決すべき目標のための自動カリキュラムを作成することを提案する。 提案手法は,13のマルチゴールロボットタスクと5つのナビゲーションタスクにまたがって評価し,現在の最先端手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2020-06-17T03:58:25Z)
• Mutual Information-based State-Control for Intrinsically Motivated Reinforcement Learning [102.05692309417047]
  強化学習において、エージェントは、外部報酬信号を用いて一連の目標に到達することを学習する。 自然界では、知的生物は内部の駆動から学習し、外部の信号を必要としない。 目的状態と制御可能な状態の間の相互情報として本質的な目的を定式化する。
  論文  参考訳（メタデータ） (2020-02-05T19:21:20Z)

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。