論文の概要: COOL: Curiosity-Driven Object Ownership Learning for Personalized Robotic Assistance

• arxiv url: http://arxiv.org/abs/2610.09358v1
• Date: Wed, 07 Oct 2026 03:14:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.692696
• Title: COOL: Curiosity-Driven Object Ownership Learning for Personalized Robotic Assistance
• Title（参考訳）: COOL: パーソナライズされたロボット支援のための好奇心駆動型オブジェクトオーナシップ学習
• Abstract要約: COOLは、日常的な観察からオブジェクトの所有権を自律的に学習するフレームワークである。 メモリ電流を維持するため、COOLはエージェントベースの好奇心駆動型データ収集戦略を使用する。 オフライン実験、アブレーション研究、および実世界の評価は、COOLが実世界の相互作用から所有権関係を推測できることを示している。
• 参考スコア（独自算出の注目度）: 7.4646255678150935
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Robots are increasingly expected to provide personalized services in everyday environments. To do so, they must ground natural-language commands such as "Where is my backpack?" or "Find my bottle" and execute them by reasoning about object instances, people, locations, and ownership. This is challenging because ownership is rarely labeled explicitly and must be inferred from long-term, behavioral evidence of human-object interactions. To address this, we present COOL, a novel robotic framework for autonomously learning object ownership from everyday observations and maintaining a long-term spatial memory of its environment. To keep its memory current, COOL uses an agent-based curiosity-driven data collection strategy that guides the robot toward the most promising locations to gain information and refresh stale observations. Offline experiments, ablation studies, and real-world evaluations show that COOL can infer ownership relations from real-world interactions and use this knowledge for ownership-conditioned navigation and task execution.
• Abstract（参考訳）: ロボットは、日々の環境でパーソナライズされたサービスを提供することがますます期待されている。 そうするには、"Where is my backpack?"や"Find my bottle"といった自然言語コマンドをベースとして、オブジェクトインスタンス、人、場所、オーナシップを推論して実行する必要があります。 これは、オーナシップが明示的にラベル付けされることが滅多になく、人間と物体の相互作用の長期的な行動的証拠から推論されなければならないためである。 そこで本研究では,日常的な観察からオブジェクトの所有権を自律的に学習し,環境の長期的空間記憶を維持するための,新しいロボットフレームワークであるCOOLを提案する。 メモリの電流を維持するために、COOLはエージェントベースの好奇心駆動のデータ収集戦略を使用して、ロボットを最も有望な場所へと誘導し、情報を取得し、古い観察を更新する。 オフライン実験、アブレーション研究、実世界の評価は、COOLが実世界の相互作用からオーナシップ関係を推測し、この知識をオーナシップ条件のナビゲーションやタスク実行に利用できることを示している。

関連論文リスト

• HUMEMBR: Learning Human Routines for Predictive Embodied Navigation [13.616401173363293]
  現実の環境では、ロボットは特定の個人を見つけ、その人物がどこにいるかを予測したり、いつ建物を出るのかを尋ねられる。 本稿では,Human-Centered Memory for Embodied Robots (HUMEMBR)を紹介する。
  論文  参考訳（メタデータ） (2026-06-29T14:50:50Z)
• LookOut: Real-World Humanoid Egocentric Navigation [61.14016011125957]
  本稿では,エゴセントリックな映像から将来の6Dヘッドポーズの列を予測するという課題を紹介する。 この課題を解決するために,時間的に集約された3次元潜伏特徴を考慮に入れた枠組みを提案する。 この分野のトレーニングデータが不足していることから,このアプローチを通じて収集されたデータセットを提示する。
  論文  参考訳（メタデータ） (2025-08-20T06:43:36Z)
• Teaching Unknown Objects by Leveraging Human Gaze and Augmented Reality in Human-Robot Interaction [3.1473798197405953]
  この論文は、人間-ロボットインタラクション(HRI)の文脈で未知の物体を教えることを目的としている。 視線追跡と拡張現実(Augmented Reality)を組み合わせることで、人間の教師がロボットとコミュニケーションできる強力なシナジーが生まれました。 ロボットの物体検出能力は、広範囲なデータセットで訓練された最先端の物体検出器に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2023-12-12T11:34:43Z)
• Learning Hierarchical Interactive Multi-Object Search for Mobile Manipulation [10.21450780640562]
  本稿では,ロボットが扉を開けて部屋をナビゲートし,キャビネットや引き出しの中を探索し,対象物を見つける,インタラクティブな多目的探索タスクを提案する。 これらの新たな課題は、探索されていない環境での操作とナビゲーションのスキルを組み合わせる必要がある。 本研究では,探索,ナビゲーション,操作のスキルを習得する階層的強化学習手法であるHIMOSを提案する。
  論文  参考訳（メタデータ） (2023-07-12T12:25:33Z)
• SACSoN: Scalable Autonomous Control for Social Navigation [62.59274275261392]
  我々は、社会的に邪魔にならないナビゲーションのための政策の訓練方法を開発した。 この反事実的摂動を最小化することにより、共有空間における人間の自然な振る舞いを変えない方法でロボットに行動を促すことができる。 屋内移動ロボットが人間の傍観者と対話する大規模なデータセットを収集する。
  論文  参考訳（メタデータ） (2023-06-02T19:07:52Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Open-World Object Manipulation using Pre-trained Vision-Language Models [72.87306011500084]
  ロボットが人からの指示に従うためには、人間の語彙の豊かな意味情報を繋げなければならない。 我々は、事前学習された視覚言語モデルを利用して、オブジェクト識別情報を抽出するシンプルなアプローチを開発する。 実際の移動マニピュレータにおける様々な実験において、MOOはゼロショットを様々な新しいオブジェクトカテゴリや環境に一般化する。
  論文  参考訳（メタデータ） (2023-03-02T01:55:10Z)
• Self-Supervised Object Goal Navigation with In-Situ Finetuning [110.6053241629366]
  この研究は、探検を通じて世界の自己監督モデルを構築するエージェントを構築する。 ObjectNavエージェントのすべてのコンポーネントをトレーニングできる強力なセルフスーパービジョンのソースを特定します。 我々は,エージェントが実世界で競争力を発揮し,シミュレーションを行うことを示す。
  論文  参考訳（メタデータ） (2022-12-09T03:41:40Z)
• The State of Lifelong Learning in Service Robots: Current Bottlenecks in Object Perception and Manipulation [3.7858180627124463]
  State-of-the-artは、オブジェクトの知覚と操作を適切に結合するように改善を続けている。 ほとんどの場合、ロボットは様々な物体を認識でき、衝突のない軌道を素早く計画して対象物を把握できる。 このような環境下では、バッチ学習に使用するトレーニングデータがどれほど広範囲であっても、ロボットは常に新しいオブジェクトに直面する。 ロボットの自己学習とは別に、専門家でないユーザは、体験獲得のプロセスを対話的にガイドできる。
  論文  参考訳（メタデータ） (2020-03-18T11:00:55Z)

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。