論文の概要: Adaptive Interaction Network for Human Motion Prediction During Human-Robot Collaboration

• arxiv url: http://arxiv.org/abs/2610.16624v1
• Date: Mon, 12 Oct 2026 11:43:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:12:15.668006
• Title: Adaptive Interaction Network for Human Motion Prediction During Human-Robot Collaboration
• Title（参考訳）: ロボット協調作業における人間の動作予測のための適応的インタラクションネットワーク
• Abstract要約: ロボットが人間の動きに与える影響を明示的にモデル化するロボット対応動作予測タスクに焦点をあてる。 本研究では,人間の将来の動きを予測する一次枝と,ロボットの軌道を推定する補助枝の2つの枝からなる適応的相互作用ネットワーク(AINet)モデルを開発する。 提案手法は,人間とロボットの協調シナリオにおける有効性を検証し,優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 37.312565544879085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human motion prediction during human-robot collaboration is critical for achieving safe and efficient interactions in shared environments. Unlike previous studies that have primarily focused on humans and objects, we focus on the robot-aware human motion prediction task, which explicitly models the influence of robots on human motion. This task presents new challenges, such as capturing human-robot heterogeneity and modeling complex spatial interactions. To address these issues, we develop an adaptive interaction network (AINet) model that consists of two branches: a primary branch that predicts future human motion and an auxiliary branch that estimates robot trajectories. The two branches are jointly optimized and coupled via a Local-Global Spatial Interaction (LGSI) Module, which effectively captures fine-grained and global contextual dependencies between human and robot motion sequences. Then, we introduce an Adaptive Weighted Aggregation (AWA) Module to dynamically fuse motion features using context-dependent weights, thereby increasing adaptability across diverse scenarios. Furthermore, we adopt a coarse-to-fine prediction strategy, in which a coarse pseudo-trajectory is first predicted, followed by the refinement of detailed human poses based on that trajectory. Extensive experiments on three challenging datasets reveal that our proposed method achieves superior performance, validating its effectiveness in human-robot collaboration scenarios. Our code is available at: https://github.com/LyTingHub/AINet.
• Abstract（参考訳）: 人間とロボットのコラボレーションにおける人間の動作予測は、共有環境における安全で効率的な相互作用を達成するために重要である。 主に人間や物体に焦点を当てた以前の研究とは異なり、ロボットが人間の動きに与える影響を明示的にモデル化する、ロボットが認識する人間の動き予測タスクに焦点を当てている。 この課題は、人間-ロボットの不均一性を捉え、複雑な空間的相互作用をモデル化するなど、新しい課題を提起する。 これらの課題に対処するため、我々は、将来の人間の動きを予測する一次分枝と、ロボットの軌道を推定する補助分枝の2つの分枝からなる適応的相互作用ネットワーク(AINet)モデルを開発した。 2つのブランチは、人間とロボットの動作シーケンス間の微細でグローバルなコンテキスト依存性を効果的にキャプチャするローカル・グローバル空間相互作用(LGSI)モジュールを介して、共同で最適化され結合される。 次に,適応重み付け (AWA) モジュールを導入し, 状況に依存した重み付けを用いて動的に動作特徴を融合することにより, 多様なシナリオにまたがる適応性を向上させる。 さらに、粗い擬似軌道を最初に予測し、その軌道に基づいて詳細な人間のポーズを洗練させる粗大な予測戦略を採用する。 3つの挑戦的データセットに対する大規模な実験により,提案手法は優れた性能を達成し,人間とロボットの協調シナリオにおける有効性を検証した。 私たちのコードは、https://github.com/LyTingHub/AINet.comで利用可能です。

関連論文リスト

• InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation [51.061592469527966]
  自己進化型モーションアニメーションフレームワークであるInterMimicGenを紹介する。 まず、モーションキャプチャーされた人間と物体の相互作用を統合し、それらをヒューマノイドロボットの参照に再ターゲットする。 第2に,人間の手によるシミュレーションにおいて,これらの参照を実行する物理に基づくジェネラリストトラッカーを訓練する。 第3に、データフライホイールを閉じます。各ラウンドは、インタラクションの発生場所と動作方法に小さなタスク保存変更を施し、トラッカーを微調整し、シミュレートされた実行がタスクを完了した変種のみを保持する。
  論文  参考訳（メタデータ） (2026-10-05T17:59:50Z)
• EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration [67.13034606664333]
  EgoHumanoidは、エゴセントリックな人間のデモを使って視覚言語アクションポリシーを共同訓練する最初のフレームワークである。 スケーラブルな人的データ収集のためのポータブルシステムを開発した。
  論文  参考訳（メタデータ） (2026-02-10T18:59:03Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
  HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。 私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
  論文  参考訳（メタデータ） (2025-09-12T09:38:17Z)
• Robot Interaction Behavior Generation based on Social Motion Forecasting for Human-Robot Interaction [9.806227900768926]
  本稿では,共有ロボット表現空間における社会的動き予測のモデル化を提案する。 ECHOは上記の共有空間で活動し、社会的シナリオで遭遇したエージェントの将来の動きを予測する。 我々は,多対人動作予測タスクにおけるモデルの評価を行い,最先端の性能を大きなマージンで獲得する。
  論文  参考訳（メタデータ） (2024-02-07T11:37:14Z)
• IA-LSTM: Interaction-Aware LSTM for Pedestrian Trajectory Prediction [1.3597551064547502]
  群衆シナリオにおける歩行者の軌道予測は、自動運転車や自律移動ロボットの分野において不可欠である。 従来の研究者は人間と人間の相互作用をモデル化する方法に重点を置いていたが、相互作用の相対的重要性を無視した。 人間の相互作用の相対的重要性を測定するために、コレントロピーに基づく新しいメカニズムが導入された。
  論文  参考訳（メタデータ） (2023-11-26T05:17:11Z)
• Causal Discovery of Dynamic Models for Predicting Human Spatial Interactions [5.742409080817885]
  本稿では,人間とロボットの空間的相互作用をモデル化するための因果探索手法を提案する。 最先端の因果探索アルゴリズムを初めて活用するために、新しい方法と実用的な解決策について議論する。
  論文  参考訳（メタデータ） (2022-10-29T08:56:48Z)
• Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
  人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。 本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。 ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
  論文  参考訳（メタデータ） (2022-03-31T23:08:20Z)

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。