論文の概要: Human-Robot Interaction via Meta-Learning Based Mode Recognition and Adaptive Control

• arxiv url: http://arxiv.org/abs/2610.28761v1
• Date: Tue, 20 Oct 2026 18:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.112714
• Title: Human-Robot Interaction via Meta-Learning Based Mode Recognition and Adaptive Control
• Title（参考訳）: メタラーニングに基づくモード認識と適応制御による人間とロボットのインタラクション
• Abstract要約: 人間とロボットの相互作用において、人間はアクティブな誘導状態または受動的追従状態においてロボットと相互作用する。 既存のほとんどのアプローチは、相互作用モードを区別するために予め定義されたスイッチングしきい値に依存している。 以下に主要な貢献をする新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 9.420345103573235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In human-robot interaction (HRI) tasks, humans may interact with the robot in either an active guiding or passive following state, resulting in distinct control objectives for each interaction mode. Most existing approaches rely on predefined switching thresholds to distinguish interaction modes, but their performance can be sensitive to measurement noise. To address this limitation, we propose a novel framework with the following key contributions. First, a neural network (NN) trained via meta-learning is developed to recognize human intention without manually defined thresholds. By successfully incorporating force-dependent parameters from the controller, the recognition rates are improved from 90.1\% to 99.1\% for the passive mode and from 79.8\% to 97.1\% for the active mode. Second, an adaptive meta-learning controller is introduced to compensate for human disturbances and enable online adaptation to varying interaction forces. Third, a multiple-trajectory meta-learning algorithm is designed to jointly learn an environment-basis representation and force-dependent parameters, allowing the controller to deal with unmodeled dynamics efficiently. Experimental results demonstrate that the proposed framework achieves robust and accurate control performance, while providing reliable mode recognition for safe and adaptive physical HRI.
• Abstract（参考訳）: HRI(Human-robot Interaction)タスクでは、人間はアクティブな誘導状態または受動的追従状態においてロボットと相互作用し、それぞれの相互作用モードに対して異なる制御目標をもたらす。 既存のほとんどのアプローチは、相互作用モードを区別するために予め定義されたスイッチングしきい値に依存しているが、その性能は測定ノイズに敏感である。 この制限に対処するため、以下の重要な貢献をした新しいフレームワークを提案する。 まず、メタ学習を介してトレーニングされたニューラルネットワーク(NN)を開発し、手動で定義された閾値なしで人間の意図を認識する。 コントローラからの力依存パラメータをうまく組み込むことで、受動モードでは90.1\%から99.1\%に、アクティブモードでは79.8\%から97.1\%に認識率が向上する。 第2に、人間の障害を補うために適応型メタラーニングコントローラを導入し、様々な相互作用力へのオンライン適応を可能にする。 第三に、マルチトラックメタ学習アルゴリズムは、環境基底表現と力依存パラメータを協調的に学習し、コントローラが非モデル化されたダイナミクスを効率的に扱えるように設計されている。 実験により,提案フレームワークは安全かつ適応的な物理HRIに対して信頼性の高いモード認識を提供しながら,堅牢かつ正確な制御性能を実現することが示された。

関連論文リスト

• Intent-Informed Model Predictive Control for Shared Autonomy in Remote Manipulation Tasks [2.7986770962872636]
  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。
  論文  参考訳（メタデータ） (2026-10-18T17:59:38Z)
• Multimodal Interaction Estimation for Contact-Aware Adaptive Impedance Control [14.22106730402768]
  本研究では,人間中心環境におけるロボットのタスク非依存インタラクション推定と適応制御フレームワークを提案する。 変圧器ベースの分類器は91.89%の精度を達成し、90%以上を1つのモードの完全閉塞下で維持する。 我々は、単一アーム操作、模倣学習ベースのポリシーによるデプロイ、意図駆動型ターゲットスイッチング、および未知質量の箱を持ち上げる2つのフランカアーム上のゼロショットバイマニュアル展開を含む、外部の摂動と未知の負荷下でのフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2026-10-16T21:00:39Z)
• An offline approach to fNIRS-guided reinforcement learning for robot behavior [2.933736356368701]
  ヒューマン・イン・ザ・ループ強化学習(Human-in-the-loop Reinforcement Learning)は、ロボットの動作をユーザの好みに合わせて訓練、微調整、調整するための一般的なアプローチとなっている。 本稿では,FNIRS(Functional near-infrared spectroscopy)による脳信号を用いたシミュレーションロボット学習の実現可能性について検討する。
  論文  参考訳（メタデータ） (2026-07-15T22:12:39Z)
• Real-Time sEMG-Based Telecontrol of an Assistive Robotic Arm Using a 1D Convolutional Neural Network [0.30786914102688595]
  本研究は、ロボットアームの遠隔操作のためのリアルタイムsEMGベースのインタフェースを提案する。 このシステムは4チャンネルのsEMG取得、信号前処理、スライディングウィンドウへのセグメント化、一次元畳み込みニューラルネットワーク(CNN)を用いた分類に依存している。 システムは安定したリアルタイム動作を示し、平均遅延は約0.32秒であり、選択したウィンドウング戦略と一致している。
  論文  参考訳（メタデータ） (2026-07-14T15:34:28Z)
• Learning Context-Aware Neural ODE Dynamics for Adaptive Robotic Control [55.01272784312405]
  本稿では,ニューラル常微分方程式に基づく文脈認識力学モデルを提案する。 Sphero BOLTロボットとFanucマニピュレータを実世界の実験で使用した。
  論文  参考訳（メタデータ） (2026-06-13T20:55:46Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• 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)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)
• Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
  本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。 このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-01T05:23:34Z)

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。