論文の概要: Evaluating Social Reasoning in Embodied Vision-Language Models

• arxiv url: http://arxiv.org/abs/2610.27496v1
• Date: Tue, 20 Oct 2026 02:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.585327
• Title: Evaluating Social Reasoning in Embodied Vision-Language Models
• Title（参考訳）: 身体的視覚言語モデルにおける社会的推論の評価
• Abstract要約: ファンデーションモデルは今や、ロボットチームの推論レイヤーとして機能している。 汎用VLMの社会的推論能力は, 具体化された視覚言語モデル (VLM) が保たれているかは不明である。 我々は、実際の人間-ロボットのソーシャルインタラクションのベンチマークであるSHREC上で、Gemini Robotics-ERを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models now serve as reasoning layers for robot teams, but it remains unclear whether embodiment-specialized vision-language models (VLMs) preserve the social-reasoning capabilities of general-purpose VLMs. We evaluate Gemini Robotics-ER on SHREC, a benchmark of real human-robot social interactions, and compare it with published general-purpose VLM baselines. Robotics-ER outperforms GPT-4o-mini on error/competence detection but performs worse on detailed social-attribute judgments; adding a visual frame helps one task while hurting the other. These results suggest embodiment-specialized models may perform differently on social judgments that can be read more directly from observable interaction cues versus those requiring more inference about a person's internal state. Because the comparison spans model families, these differences cannot be attributed to embodiment specialization alone. This matters for multi-robot systems, where a shared foundation model could cause systematic social-perception errors to influence multiple coordination decisions. This work presents an initial evaluation, with broader cross-context and video-based analyses left for future work.
• Abstract（参考訳）: 現在、ファンデーションモデルはロボットチームの推論レイヤーとして機能しているが、汎用的なVLMの社会的推論能力を維持しているかどうかは不明だ。 我々は、実際の人間-ロボットのソーシャルインタラクションのベンチマークであるSHREC上でGemini Robotics-ERを評価し、公開の汎用VLMベースラインと比較した。 ロボティクス-ERは、エラー/コンピテンス検出においてGPT-4o-miniより優れているが、詳細な社会的属性判断では悪化する。 これらの結果から, 身体特異的モデルでは, 人の内的状態に対するより推論を必要とするものよりも, 観察可能な相互作用の手がかりから直接読み取ることのできる社会的判断に対して, 異なる効果が期待できる可能性が示唆された。 比較はモデルファミリーにまたがるため、これらの違いは実施特化のみによるものではない。 これは、共有基盤モデルが体系的な社会的知覚誤差を引き起こし、複数の調整決定に影響を与える、マルチロボットシステムにとって重要である。 本研究は、より広範なクロスコンテキストとビデオに基づく分析を将来の研究のために残した、最初の評価を提示する。

関連論文リスト

• The Embodiment Gap in Robot Foundation Models [7.90590547085857]
  ロボット工学では、モデルは特定の身体を持つロボットで動く前に作業が残っている間、一般化することができる。 我々は、再利用可能なモデル、表現、データ間のギャップと、対象ロボット上での実行におけるそれらの使用を具体化ギャップと呼ぶ。 この調査では、ロボットの体にまたがって再利用できるものや、新しいロボットにまだ実装する必要があるものについて調べる。
  論文  参考訳（メタデータ） (2026-08-19T01:55:04Z)
• "I'm Not Mad, Just Focused'': Understanding Human Emotions in Human-Robot Collaboration [0.5522626742911786]
  ヒューマンロボットコラボレーション(HRC)のための視覚言語モデル(VLM)に基づく感情認識システムを提案する。 我々はまず,既存のHRCデータセット上の人間のアノテーションと,その意味的・感情的類似性を評価することで,VLM-ERシステムの評価を行った。 協調配送作業におけるサービスロボットを用いたユーザスタディでは,VLM-ERシステムによって推定されるユーザの感情状態に基づいて,ロボットの動作を調節する効果を評価する。
  論文  参考訳（メタデータ） (2026-05-16T05:18:22Z)
• Assessing VLM-Driven Semantic-Affordance Inference for Non-Humanoid Robot Morphologies [0.5003135699842282]
  視覚言語モデル(VLM)は、人間と物体の相互作用を理解する際、顕著な能力を示した。 本研究は,人間と根本的に異なる実施形態を持つロボットに対して,VLMが効果的に余裕を推定できるかどうかを考察する。
  論文  参考訳（メタデータ） (2026-04-21T14:26:29Z)
• The Robot's Inner Critic: Self-Refinement of Social Behaviors through VLM-based Replanning [2.38295275136047]
  CRISP(Critique-and-Replan for Interactive Social Presence)は、ロボットが自身の行動を批判し、再計画する自律的なフレームワークである。 CRISPは,(1)ロボットの記述ファイルを解析して可動関節と制約を抽出する。 ロボットの構造ファイルだけを使って、さまざまなプラットフォーム上で微妙に異なる人間的な動きを生成できる。
  論文  参考訳（メタデータ） (2026-03-20T17:40:21Z)
• Interpretable Debiasing of Vision-Language Models for Social Fairness [55.85977929985967]
  本稿では,視覚・言語モデルに社会的属性ニューロンを局在させる,解釈可能なモデルに依存しないバイアス緩和フレームワークDeBiasLensを紹介する。 社会属性ラベルを含まない顔画像やキャプションデータセットでSAEを訓練し、特定の人口動態に高い応答性を持つニューロンを明らかにする。 我々の研究は、未来の監査ツールの基礎を築き、新興の現実世界のAIシステムにおける社会的公正性を優先します。
  論文  参考訳（メタデータ） (2026-02-27T13:37:11Z)
• A Multimodal Neural Network for Recognizing Subjective Self-Disclosure Towards Social Robots [3.786116485837376]
  我々は、感情認識文献のモデルに基づく、カスタムマルチモーダルアテンションネットワークを開発する。 我々は,新たな損失関数であるクロスエントロピー損失の尺度を構築し,この問題の分類版と回帰版の両方を改善した。
  論文  参考訳（メタデータ） (2025-08-14T16:50:51Z)
• SocialEval: Evaluating Social Intelligence of Large Language Models [70.90981021629021]
  ソーシャルインテリジェンス(英語版) (SI) は、社会的目標を達成するために社会的相互作用をナビゲートする際に賢明に行動する対人能力を持つ人間を装備する。 結果指向の目標達成評価とプロセス指向の対人能力評価という,運用評価パラダイムを提示する。 スクリプトベースのバイリンガルSIベンチマークであるSocialEvalを提案する。
  論文  参考訳（メタデータ） (2025-06-01T08:36:51Z)
• The Human Robot Social Interaction (HSRI) Dataset: Benchmarking Foundational Models' Social Reasoning [49.32390524168273]
  本研究は,実世界のソーシャルインタラクションにおいて,人工知能(AI)エージェントの社会的推論を促進することを目的としている。 我々は、言語モデル(LM)と基礎モデル(FM)の能力をベンチマークするために、大規模な実世界のヒューマンロボット社会インタラクション(HSRI)データセットを導入する。 私たちのデータセットは、400以上の現実世界の人間のソーシャルロボットインタラクションビデオと10K以上のアノテーションで構成され、ロボットの社会的エラー、能力、合理性、修正行動の詳細を記述しています。
  論文  参考訳（メタデータ） (2025-04-07T06:27:02Z)
• Training Socially Aligned Language Models on Simulated Social Interactions [99.39979111807388]
  AIシステムにおける社会的アライメントは、確立された社会的価値に応じてこれらのモデルが振舞うことを保証することを目的としている。 現在の言語モデル(LM)は、トレーニングコーパスを独立して厳格に複製するように訓練されている。 本研究は,シミュレートされた社会的相互作用からLMを学習することのできる,新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T14:17:36Z)

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。