論文の概要: Intent-Informed Model Predictive Control for Shared Autonomy in Remote Manipulation Tasks

• arxiv url: http://arxiv.org/abs/2610.25436v1
• Date: Sun, 18 Oct 2026 17:59:38 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:37:28.38293
• Title: Intent-Informed Model Predictive Control for Shared Autonomy in Remote Manipulation Tasks
• Title（参考訳）: 遠隔操作作業における共有自律性のインテントインフォームドモデル予測制御
• Abstract要約: 重要な課題は、人、タスク、および/または環境から抽出された情報を使って、自律性のレベルにどのように適応するかである。 本稿では,システムの自律度を動的に調整する新たな調停戦略を提案する。 次に、モデル予測制御(MPC)問題として、人間の入力と自律制御のブレンディングを定式化する。
• 参考スコア（独自算出の注目度）: 2.7986770962872636
• License:
• Abstract: Shared autonomy is a control paradigm that combines human cognitive abilities with robot precision to enable effective remote manipulation in complex environments. A key challenge is how to adapt the level of autonomy using information extracted from the human, task, and/or environment. In this paper, we propose a novel arbitration strategy that dynamically adjusts the level of autonomy in the system using the entropy of a belief distribution derived from a multimodal intent inference. Human intent is modeled with a Dynamic Bayesian Network (DBN), which updates beliefs over goals given real-time operator gaze data and robot arm motion during teleoperation. We then formulate the blending of human input and autonomous control as a Model Predictive Control (MPC) problem, where the system's autonomous behavior is guided by the belief distribution. This approach enables continuous, gradual transitions across the full spectrum of autonomy levels, from direct teleoperation to full autonomy. To validate our approach, we conducted experiments to compare the performance of our proposed algorithm against two MPC-based shared autonomy methods. Compared to the baselines, our approach achieved reductions of at least 61% in object retrieval time, 44% in trajectory length, and 60% in human control input. Participants reported high perceived control, predictability, intent recognition, and responsiveness, along with low workload.
• Abstract（参考訳）: 共有自律は、人間の認知能力とロボットの精度を組み合わせた制御パラダイムであり、複雑な環境で効果的な遠隔操作を可能にする。 重要な課題は、人、タスク、および/または環境から抽出された情報を使って、自律性のレベルにどのように適応するかである。 本稿では,マルチモーダルな意図推論から導かれる信念分布のエントロピーを用いて,システムの自律性レベルを動的に調整する新たな調停戦略を提案する。 人間の意図は動的ベイズネットワーク(DBN)でモデル化され、遠隔操作中にリアルタイムオペレーターが視線データとロボットアームの動きを与えられた目標に対する信念を更新する。 次に、人間の入力と自律制御のブレンディングをモデル予測制御(MPC)問題として定式化し、システムの自律行動は信念分布によって導かれる。 このアプローチは、直接的な遠隔操作から完全な自律に至るまで、完全な自律レベルにわたる、継続的かつ段階的な移行を可能にする。 本手法の有効性を検証するため,提案手法の性能比較実験を行った。 ベースラインと比較すると,対象の検索時間は少なくとも61%,軌道長は44%,人体制御入力は60%の削減を実現した。 参加者は、作業負荷の低さとともに、高いコントロール、予測可能性、意図認識、応答性を報告した。

関連論文リスト

• One Body, Two Minds: Variable Autonomy Approach for a Co-embodied Robotic Hand [12.945187282872022]
  我々は,人間とロボットが1つの身体を共有できる,可変自律型の共同体育を紹介した。 我々は、自己の心を持ち、様々な自律レベルで動作する、共体でウェアラブルなロボットハンドを提示する。
  論文  参考訳（メタデータ） (2026-06-24T08:46:49Z)
• CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy [67.76658561040625]
  CHORUSは、多様なマルチロボットチームを制御するために、単一のビジョン言語アクション(VLA)バックボーンに適応するフレームワークである。 実験では、CHORUSは分散化されたスクラッチモデルよりも64%のポイント改善を実現している。 その結果,共有VLAバックボーンは分散マルチロボットコラボレーションを実現することができることがわかった。
  論文  参考訳（メタデータ） (2026-06-10T17:26:08Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• Evaluation of Impression Difference of a Domestic Mobile Manipulator with Autonomous and/or Remote Control in Fetch-and-Carry Tasks [0.5833117322405447]
  単一のサービスロボットは、その自律性とオペレーターを介するエージェンシーという、2つの異なるエージェンシーを提示することができる。 我々は、この二重緊急構造を、自律的な遠隔操作環境において、ユーザ・ロボット・オペレータ・トライアドとして定式化する。
  論文  参考訳（メタデータ） (2025-12-30T07:00:30Z)
• End-to-End Dexterous Arm-Hand VLA Policies via Shared Autonomy: VR Teleoperation Augmented by Autonomous Hand VLA Policy for Efficient Data Collection [10.217810309422232]
  マクロモーションとマイクロモーションの制御を分割するフレームワークを提案する。 人間のオペレーターが直感的なVR遠隔操作を通してロボットの腕のポーズをガイドします。 自律的なDexGrasp-VLAポリシは、リアルタイム触覚と視覚フィードバックを使用して、きめ細かい手制御を処理する。
  論文  参考訳（メタデータ） (2025-10-31T16:12:02Z)
• Human-AI Shared Control via Frequency-based Policy Dissection [34.0399894373716]
  人間-AI共有制御は、複雑な環境で制御タスクを達成するために、人間がAIと対話し、協力することを可能にする。 従来の強化学習(RL)手法は、人間の制御可能なポリシーを達成するために目標条件付き設計を試みる。 我々は、学習したニューラルコントローラの中間表現とエージェント動作の運動特性を整合させる、TextitPolicy Dissectionと呼ばれるシンプルで効果的な周波数ベースのアプローチを開発した。
  論文  参考訳（メタデータ） (2022-05-31T23:57:55Z)
• 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)
• Active Uncertainty Learning for Human-Robot Interaction: An Implicit Dual Control Approach [5.05828899601167]
  暗黙的な二重制御パラダイムに基づくループ内動作計画のための不確実性学習を実現するアルゴリズムを提案する。 提案手法は,動的プログラミングモデル予測制御問題のサンプリングに基づく近似に依拠する。 結果として得られたポリシーは、連続的およびカテゴリー的不確実性を持つ一般的な人間の予測モデルに対する二重制御効果を維持することが示されている。
  論文  参考訳（メタデータ） (2022-02-15T20:40:06Z)
• Centralizing State-Values in Dueling Networks for Multi-Robot Reinforcement Learning Mapless Navigation [87.85646257351212]
  本稿では,CTDE(Training and Decentralized Execution)パラダイムにおけるマルチロボットマップレスナビゲーションの問題点について考察する。 この問題は、各ロボットが観察を他のロボットと明示的に共有することなく、その経路を考えると困難である。 我々は,集中型状態値ネットワークを用いて共同状態値を計算するCTDEの新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:47:00Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Data-driven Koopman Operators for Model-based Shared Control of Human-Machine Systems [66.65503164312705]
  本稿では,データ駆動型共有制御アルゴリズムを提案する。 ユーザのインタラクションに関するダイナミクスと情報は、Koopman演算子を使用して観察から学習される。 モデルに基づく共有制御は、自然な学習やユーザのみの制御パラダイムと比較して、タスクとコントロールのメトリクスを著しく改善する。
  論文  参考訳（メタデータ） (2020-06-12T14:14:07Z)

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。