論文の概要: Real-Time Human-Adaptive Task Allocation for Multi-Human Multi-Robot Supervision

• arxiv url: http://arxiv.org/abs/2610.00897v1
• Date: Thu, 01 Oct 2026 01:27:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.838608
• Title: Real-Time Human-Adaptive Task Allocation for Multi-Human Multi-Robot Supervision
• Title（参考訳）: マルチヒューマン・マルチロボット・スーパービジョンのためのリアルタイムヒューマン・アダプティブタスクアロケーション
• Abstract要約: 本稿では,ロボットの監督タスクを複数の操作者に割り当てるヒューマンファクター認識手法を提案する。 本手法は,作業負荷のバランスを保ちながら,監督能力を動的に制御し,タスクを割り当てる。
• 参考スコア（独自算出の注目度）: 6.862403153489288
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a human-factor-aware method of allocating robot supervision tasks to multiple human operators. In scenarios where multiple operators occasionally teleoperate multiple robots to help the robots overcome difficulties, the allocation of the supervisory control tasks to humans needs to consider the real-time cognitive states of individual operators. However, most existing methods assume fixed supervisory capacity per operator and overlook fluctuations in the human factors such as workload and fatigue. As a result, workload distribution can be unbalanced where some operators become overloaded while the others remain underused. Our method dynamically regulates supervisory capacity and allocates tasks in a way that maintains balanced mental workload, prevents overload, and improves overall team performance. The allocation method uses a greedy strategy that minimizes estimated operator workloads with task prioritization. Robots are assigned to operators by reflecting their current supervisory capacity where the required effort depends on the types of tasks. In the user study, the analysis across predefined time intervals shows that the proposed method consistently achieves higher performance and lower behavioral signs of fatigue compared to a baseline method that does not consider human factors. These results highlight adaptive capacity adjustment as an effective preventive mechanism for sustaining operator performance in long-duration, high-demand settings.
• Abstract（参考訳）: 本稿では,ロボットの監督タスクを複数の操作者に割り当てるヒューマンファクター認識手法を提案する。 複数のオペレーターが、ロボットが困難を克服するのを助けるために、時々複数のロボットを遠隔操作するシナリオでは、監督制御タスクを人間に割り当てるには、個々のオペレーターのリアルタイム認知状態を考える必要がある。 しかし,既存の手法の多くは,作業負荷や疲労といった人的要因の変動を見落として,操作者毎の監督能力の固定化を前提としている。 結果として、ワークロードの分散は、一部のオペレータがオーバーロードになり、他のオペレータが過小評価される、アンバランスにすることができる。 本手法は,作業負荷のバランスを保ち,過負荷を防止し,チーム全体のパフォーマンスを向上させる方法で,監督能力を動的に制御し,タスクを割り当てる。 この割当て方式は,タスク優先順位付けによる推定作業量を最小限に抑える,欲求戦略を用いる。 ロボットは、必要な作業がタスクの種類に依存する現在の監督能力を反映してオペレータに割り当てられる。 ユーザスタディでは, 予め定義された時間間隔で解析した結果, 人的要因を考慮しないベースライン法と比較して, 提案手法は高い性能, より低い疲労の兆候を連続的に達成できることがわかった。 これらの結果から,長期・高需要環境下でのオペレータ性能維持のための効果的な防止機構として,適応キャパシティ調整が注目される。

関連論文リスト

• RoboWits: Unexpected Challenges for Robotic Creative Problem Solving [58.58727722988084]
  我々は、認知的推論、創造的ツールの使用、予期しない状況に対する堅牢性を評価するために設計された、双方向のロボットベンチマークであるRoboWitsを紹介する。 このパイプラインを用いて,30種類の種タスクと208のタスクを,幾何学的,物質的,集合的推論にまたがる変異と難易度でキュレートした。 プレトレーニングされたVLAは,単一タスクの微調整後にシードタスクに予備的な成功を示すが,変異タスクの実行に苦慮している。
  論文  参考訳（メタデータ） (2026-05-28T17:57:15Z)
• Cooperative Informative Sensing for Monitoring Dynamic Indoor Environments via Multi-Agent Reinforcement Learning [56.64821510576244]
  我々は,複数のロボットが動作を調整し,部分観測可能性下での監視精度を直接最適化する分散制御問題として,協調的アクティブな観察を定式化する。 本稿では,多エージェント強化学習(MARL)を用いた分散観測から,多人数の人間と時間的依存関係を扱うアーキテクチャを基盤とした協調政策学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-25T07:20:15Z)
• Human-in-the-Loop Failure Recovery with Adaptive Task Allocation [2.518621093955008]
  ロボットの故障を人間オペレーター(ARFA)に割り当てる適応的手法を提案する。 解決すべき障害のすべてに対して、報酬関数は演算子機能と履歴データ、タスク緊急性、現在のワークロード分布に基づいて期待される結果を算出する。 シミュレーションとユーザスタディにより、ARFAはランダムなアロケーションよりも優れ、ロボットのアイドル時間を大幅に短縮し、システム全体の性能を向上し、オペレータ間でより分散されたワークロードをもたらすことが示された。
  論文  参考訳（メタデータ） (2026-02-03T14:55:48Z)
• How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations [112.57167042285437]
  エージェントが人間とエージェントの労働者の直接比較を初めて提示することで、エージェントがどのように人間の仕事をするかを考察する。 結果が88.3%速く、コストが90.4-96.2%低いことが判明した。
  論文  参考訳（メタデータ） (2025-10-26T18:10:22Z)
• Robust Speech-Workload Estimation for Intelligent Human-Robot Systems [0.0]
  オペレータのワークロード状態の変化に対応するシステムの要求と相互作用のインテリジェントな変調は、望ましくないワークロード状態を避けることによってパフォーマンスを向上させる可能性がある。 既存のワークロードシステムは、ポストホックの後に複数のワークロードコンポーネントを見積もるが、音声のワークロードや関数をリアルタイムで見積もることは少ない。 音声作業負荷と望ましくない作業負荷状態をリアルタイムに推定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-08T13:41:59Z)
• 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)
• Online Learning of Human Constraints from Feedback in Shared Autonomy [25.173950581816086]
  人間とのリアルタイムなコラボレーションは、様々な物理的制約によって生じる人間の行動パターンが異なるため、課題を提起する。 我々は、異なる人間のオペレータの多様な振る舞いを考慮した人間の制約モデルを学ぶ。 本研究では,人間の身体的制約を学習し,適応できる補助エージェントを提案する。
  論文  参考訳（メタデータ） (2024-03-05T13:53:48Z)
• Task Allocation with Load Management in Multi-Agent Teams [4.844411739015927]
  負荷管理を考慮したタスク割り当て学習のための多エージェントチームのための意思決定フレームワークを提案する。 負荷管理がチームのパフォーマンスに与える影響を説明し、例のシナリオでエージェントの振る舞いを探る。 コラボレーションにおけるエージェントの重要性の尺度は、潜在的な過負荷の状況に直面しているときにチームのレジリエンスを推測するために開発されます。
  論文  参考訳（メタデータ） (2022-07-17T20:17:09Z)
• Dynamic Human-Robot Role Allocation based on Human Ergonomics Risk Prediction and Robot Actions Adaptation [35.91053423341299]
  本研究では,人ロボット協調作業における作業者に対して,組立戦略の最適化と作業の分散を行う新しい手法を提案する。 提案手法は,作業者にとって安全かつ人間工学的な条件を確保するために,タスク割り当てプロセスの制御に成功している。
  論文  参考訳（メタデータ） (2021-11-05T17:29:41Z)

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。