論文の概要: Bayesian Active Learning for Intent Disambiguation in Interactive Robot Planning

• arxiv url: http://arxiv.org/abs/2609.34270v1
• Date: Mon, 28 Sep 2026 04:19:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:18:51.817136
• Title: Bayesian Active Learning for Intent Disambiguation in Interactive Robot Planning
• Title（参考訳）: 対話型ロボット計画における突発的曖昧化のためのベイズ能動的学習
• Abstract要約: 対話型ロボット計画では、自然言語の指示から人間の意図を推論し実行する必要がある。 本稿では,STL(Signal Temporal Logic)タスク仕様に対して,明確化をアクティブな学習問題として扱うベイズフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.137497560307468
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Interactive robot planning requires robots to infer and execute human intentions from natural language instructions that are often ambiguous, incomplete, or underspecified. Although large language models (LLMs) provide a powerful interface for clarification, relying on the generative model to drive an multi-turn conversation can introduce systematic failures. We propose a Bayesian framework that treats clarification as an active learning problem over grounded Signal Temporal Logic (STL) task specifications. Our method uses LLMs to initialize candidate formal specifications and translate informative contrasts into natural-language clarification questions, while Bayesian optimization maintains uncertainty estimation over user intent and selects queries that maximize information gain. After convergence, the inferred STL specification is passed to a formal planner to synthesize a verifiable robot trajectory. Across four simulated and real-world task domains, our approach generally achieves higher task satisfaction and requires fewer clarification rounds than LLM baselines, while helping smaller models close the performance gap against larger reasoning models.
• Abstract（参考訳）: 対話型ロボット計画では、しばしば曖昧で不完全な、不完全な自然言語命令から人間の意図を推論し実行する必要がある。 大規模言語モデル(LLM)は、明確化のための強力なインターフェースを提供するが、多ターン会話を駆動する生成モデルに依存すると、体系的な障害が発生する可能性がある。 本稿では,STL(Signal Temporal Logic)タスク仕様に対して,明確化をアクティブな学習問題として扱うベイズフレームワークを提案する。 提案手法では,候補となる形式仕様を初期化して情報コントラストを自然言語に翻訳するのに対して,ベイジアン最適化はユーザ意図に対する不確実性評価を維持し,情報獲得を最大化するクエリを選択する。 収束後、推測されたSTL仕様を正式なプランナーに渡し、検証可能なロボット軌道を合成する。 シミュレーションと実世界の4つのタスク領域にまたがって、我々のアプローチは一般に高いタスク満足度を実現し、LLMベースラインよりも明確化ラウンドを少なくし、より小さなモデルがより大きな推論モデルに対して性能ギャップを埋めるのを手助けします。

関連論文リスト

• RemoteAgent: Bridging Vague Human Intents and Earth Observation with RL-based Agentic MLLMs [55.44696796126619]
  地球観測システムは、曖昧な自然言語を通じて要求を表現するドメインの専門家を支援するように設計されている。 実用的なEOAIシステムは、あいまいな人間のクエリと適切な多粒度視覚分析タスクのギャップを埋めなければならない。 MLLMの能力固有の境界を戦略的に尊重するエージェントフレームワークであるRemoteAgentを提案する。
  論文  参考訳（メタデータ） (2026-04-09T03:40:46Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)
• Robots That Ask For Help: Uncertainty Alignment for Large Language Model Planners [85.03486419424647]
  KnowNoは、大きな言語モデルの不確実性を測定し、調整するためのフレームワークである。 KnowNoは、タスク完了に関する統計的保証を提供する共形予測理論に基づいている。
  論文  参考訳（メタデータ） (2023-07-04T21:25:12Z)
• AutoTAMP: Autoregressive Task and Motion Planning with LLMs as Translators and Checkers [20.857692296678632]
  人間とロボットの効果的なインタラクションには、ロボットは複雑な長期的タスクを理解し、計画し、実行する必要がある。 大規模言語モデルの最近の進歩は、自然言語をロボットのアクションシーケンスに変換することを約束している。 本研究では,複雑なタスク領域において,LLMをプランナとして用いる手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-10T21:58:29Z)
• Interactive Learning from Natural Language and Demonstrations using Signal Temporal Logic [5.88797764615148]
  自然言語(NL)は曖昧で、現実世界のタスクであり、それらの安全性要件はあいまいにコミュニケーションする必要がある。 Signal Temporal Logic (STL) は、ロボットタスクを記述するための汎用的で表現力があり、曖昧な形式言語として機能する形式論理である。 DIALOGUESTLは,(しばしば)曖昧なNL記述から正確かつ簡潔なSTL公式を学習するための対話的手法である。
  論文  参考訳（メタデータ） (2022-07-01T19:08:43Z)

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。