論文の概要: Event-Driven Proactive Robot Assistance through Vision-Language Reasoning

• arxiv url: http://arxiv.org/abs/2610.08344v1
• Date: Tue, 06 Oct 2026 13:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.012695
• Title: Event-Driven Proactive Robot Assistance through Vision-Language Reasoning
• Title（参考訳）: 視覚言語推論によるイベント駆動型能動ロボット支援
• Abstract要約: 流動的なヒューマンチームワークでは、パートナーは指示を待つのではなく、観察されたアクションの結果から次の有用なステップを推測することが多い。 イベントモニタを用いて状態変化を監視し、イベント完了時に、安定化されたプレ/ポストスナップショットを抽出するイベント駆動フレームワークを提案する。 凍結事前訓練されたビジョンランゲージモデル(VLM)は、タスクコンテキストを推論し、アシストが適切かどうかを決定し、必要に応じて一連のアシストアクションを生成する。
• 参考スコア（独自算出の注目度）: 11.763359229724239
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assistance in collaborative manipulation is often initiated by user instructions, making high-level reasoning request-driven. In fluent human teamwork, however, partners often infer the next helpful step from the observed outcome of an action rather than waiting for instructions. Motivated by this, we investigate an event-driven formulation of proactive assistance, where human--object interaction outcomes initiate assistive reasoning without user-provided task specifications at inference time. To this end, we propose an event-driven framework that monitors workspace state changes with an event monitor and, upon event completion, extracts stabilized pre/post snapshots that characterize the resulting state transition. A frozen pretrained Vision-Language Model (VLM) then uses its semantic priors to infer the task context, decide whether assistance is appropriate, and, when needed, generate a sequence of assistive actions from the observed transition. To make outputs executable and verifiable, we restrict actions to a set of action primitives and reference objects via integer IDs.We evaluate the same framework across three distinct real world tabletop collaboration tasks without task-specific training or fine-tuning. The event-driven framework achieves performance comparable to variants given user instructions.
• Abstract（参考訳）: 協調操作の補助は、しばしばユーザ指示によって始められ、高いレベルの推論要求駆動を実現する。 しかし、流動的な人間チームワークでは、パートナーは指示を待つのではなく、観察された行動の結果から次の有用なステップを推測することが多い。 そこで本研究では,人-物間相互作用の結果を推論時にユーザが提供するタスク仕様を使わずに補助的推論を開始するイベント駆動型プロアクティブ・アシストの定式化について検討する。 この目的のために、イベントモニタを用いてワークスペースの状態変化を監視し、イベント完了時に、結果の状態遷移を特徴付ける安定化されたプレ/ポストスナップショットを抽出するイベント駆動フレームワークを提案する。 凍結事前訓練されたビジョンランゲージモデル(VLM)は、タスクコンテキストを推論し、アシストが適切かどうかを決定し、必要に応じて観察された遷移からアシストアクションのシーケンスを生成する。 実行可能で検証可能な出力を実現するため,アクションプリミティブと参照オブジェクトのセットに整数IDを経由して動作を制限し,タスク固有のトレーニングや微調整なしに3つの異なる実世界のテーブルトップ協調タスクで同じフレームワークを評価する。 イベント駆動フレームワークは、与えられたユーザ命令の変種に匹敵するパフォーマンスを達成する。

関連論文リスト

• RoboBridge: A Self-Evolving Embodied Agent Framework for Sim-to-Real Transfer [54.448285795003294]
  インボディード・インテリジェンスを現実世界に持ち込む上での課題は、シミュレーションから現実への能力移転だ。 本稿では,Sim-to-real転送を実行可能なタスクスキルの継続的な適応として扱うフレームワークであるRoboBridgeを提案する。
  論文  参考訳（メタデータ） (2026-10-02T02:53:57Z)
• Learning Skills from Historical Action Trajectories: Action Experience Dictionary for World Action Models [129.76412745258145]
  World Action Models(WAM)は、視覚力学予測とアクション生成を結合するが、操作タスク間のアクションエクスペリエンスの再利用を明示的にサポートしていない。 本研究では,歴史的行動軌跡を共有行動埋め込みにエンコードするアクション体験辞書(AED)を開発した。 シミュレーション・ベンチマークと実世界のクロス・エボディメント・セッティングの実験により,AEDの有効性が検証された。
  論文  参考訳（メタデータ） (2026-09-30T17:26:38Z)
• Towards Neuro-Symbolic Procedural Reasoning for Long-Horizon Vision-Language-Action Manipulation [12.461719086222788]
  視覚言語アクション(VLA)モデルは短い操作スキルを実行することができるが、長い水平手順では不安定である。 本稿では,学習したVLA制御と明示的なタスクグラフ,マルチモーダル・プロシージャ記憶を組み合わせたニューロシンボリック・フレームワークについて検討する。
  論文  参考訳（メタデータ） (2026-09-04T17:14:50Z)
• Intent-Driven Situation Tracking for User-Centric Multi-Turn Agents [4.138547191663224]
  Intent-Driven situation states (IDSS) は、対話と並行して明示的な状況を維持する訓練不要のフレームワークである。 IDSSパースツールは、証明可能なエンティティと属性に返却され、ユーザの意図、必要な変数、制約、実行状態を追跡し、アクション実行可能性の更新のためにタスク制約に新しい事実を伝達する。
  論文  参考訳（メタデータ） (2026-08-16T14:14:07Z)
• TriRelVLA: Triadic Relational Structure for Generalizable Embodied Manipulation [54.81449795163812]
  視覚言語アクション(VLA)モデルは、トレーニング対象のロボットタスクでうまく機能するが、見えないシーンやオブジェクトに一般化するのに苦労する。 一般化可能なエンボディ操作のための三進関係VLAフレームワークであるTriRelVLAを提案する。 実験は、微調整されたタスクにおいて強い性能を示し、クロスシーン、クロスオブジェクト、クロスタスクの一般化において明確なゲインを示す。
  論文  参考訳（メタデータ） (2026-05-07T05:57:49Z)
• Event-Driven Proactive Assistive Manipulation with Grounded Vision-Language Planning [14.022917047438375]
  リクエスト駆動型アシストからイベント駆動型プロアクティブアシストへの移行を紹介します。 イベントモニタとのインタラクション進捗を追跡するイベント駆動フレームワークを提案する。 我々は,実際のテーブルトップ数ブロック協調作業において,そのフレームワークを評価する。
  論文  参考訳（メタデータ） (2026-03-25T05:14:04Z)
• Language-Grounded Decoupled Action Representation for Robotic Manipulation [78.42228162226839]
  認識と制御を結びつけるために,Language-Grounded Decoupled Action Representation (LaDA) フレームワークを提案する。 LaDAは3つの解釈可能なアクションプリミティブ(翻訳、回転、グリップ制御)の微細な中間層を導入し、低レベルのアクションに対して明示的な意味構造を提供する。 さらに、セマンティックガイダンスによるソフトラベルのコントラスト学習の目的を用いて、類似のアクションプリミティブをタスク間で整列させ、一般化と動きの整合性を高める。
  論文  参考訳（メタデータ） (2026-03-13T13:08:26Z)
• Exploring the Temporal Consistency for Point-Level Weakly-Supervised Temporal Action Localization [66.80402022104074]
  ポイント教師付きテンポラルアクションローカライゼーション(PTAL)は、軽快なフレームアノテートパラダイム(textiti.e.、アクションインスタンスごとに1フレームのみをラベル付けする)を採用して、教師なしビデオ内のアクションインスタンスを見つけるようモデルを訓練する。 既存のアプローチのほとんどは、アクションのフレーム間の時間的関係を明確にモデル化することなく、ポイントトリミングされたスニペットレベルの分類だけでモデルのタスクヘッドを設計する。 本稿では,行動ローカライゼーションのための時間的理解能力を高めるために,ポイントインスペクションを完全に活用するマルチタスク学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-05T14:46:21Z)
• Code Models are Zero-shot Precondition Reasoners [83.8561159080672]
  シーケンシャルな意思決定タスクのために、コード表現を使ってアクションの前提条件を推論します。 本稿では,政策によって予測される行動が前提条件と一致していることを保証する事前条件対応行動サンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-16T06:19:27Z)
• Proactive Human-Robot Interaction using Visuo-Lingual Transformers [0.0]
  人間は人間の相互作用を通して文脈を推測するために、潜伏したビスオ・言語的手がかりを抽出する能力を持っている。 本研究では,シーンからの視覚的手がかり,ユーザからの言語コマンド,事前オブジェクト間相互作用の知識を用いて,ユーザが達成しようとしている目標を積極的に予測する学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-04T00:50:21Z)
• Event-Guided Procedure Planning from Instructional Videos with Text Supervision [31.82121743586165]
  本研究は,テキスト管理による指導ビデオからの手順計画の課題に焦点をあてる。 この課題の重要な課題は、観察された視覚状態と観測されていない中間動作の間の大きな意味的ギャップである。 本稿では,まず観測された状態から事象を推定し,その状態と予測された事象の両方に基づいて行動計画を行う,新しいイベント誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-08-17T09:43:28Z)

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。