論文の概要: Causal-based approaches to explain and learn from self-extension - A review
- arxiv url: http://arxiv.org/abs/2610.33227v1
- Date: Fri, 23 Oct 2026 19:29:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.27727
- Title: Causal-based approaches to explain and learn from self-extension - A review
- Title（参考訳）: 自己拡張を説明・学習するための因果的アプローチ-レビュー
- Abstract要約: 自己認識型自己進化型ロボットの開発における最近の進歩を考察する。
これらのロボットは、人間の能力を高めるために必要な説明を提供するように設計されている。
- 参考スコア（独自算出の注目度）: 0.7474723197425265
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The last decades have seen a revolution in autonomous robotics. Deep learning approaches and their hardware implementations have made it possible to endow robots with extraordinary perceptual capabilities. In addition, they can also benefit from advances in Automated Planning, allowing them to autonomously solve complex tasks. However, on many occasions, the robot still acts without internalising and understanding the reasons behind a perception or an action, beyond an immediate response to a current state of the context. This gap results in limitations that affect its performance, reliability and trustworthiness. Deep learning alone cannot bridge this gap, because the reasons behind behaviour, when it emanates from a model in which the world is a black-box, are not accessible. What is really needed is an underlying architecture based on deeper reasoning. Among other issues, this architecture should enable the robot to generate explanations, allowing people to know why the robot is performing, or has performed, a certain action, or the reasons that may have caused a certain plan failure or perceptual anomaly. Furthermore, when these explanations arise from a cognitive process and are shared, and thus validated, with people, the robot should be able to incorporate these explanations into its knowledge base, and thus use this understanding to improve future behaviour. Our article looks at recent advances in the development of self-aware, self-evolving robots. These robots are designed to provide the necessary explanations to their human counterparts, thereby enhancing their functional capabilities, in the quest to gain their trust.
- Abstract（参考訳）: 過去数十年、自律ロボットに革命が起こった。
ディープラーニングのアプローチとそのハードウェア実装により、ロボットに異常な知覚能力を持たせることが可能になった。
さらに、彼らは自動計画の進歩の恩恵を受けることができ、複雑なタスクを自律的に解決することができる。
しかし、多くの場合において、ロボットは認識や行動の背後にある理由を内部化し理解することなく行動し、現在の状況に対する即時応答を超えて行動する。
このギャップは、パフォーマンス、信頼性、信頼性に影響を与える限界をもたらします。
深層学習だけではこのギャップを埋めることはできない。なぜなら、世界がブラックボックスであるモデルから生み出される行動の背後にある理由は、アクセスできないからだ。
本当に必要なのは、より深い推論に基づく基盤となるアーキテクチャです。
このアーキテクチャは、ロボットがなぜロボットが実行しているのか、あるいは実行したのか、あるいは特定の計画の失敗や知覚異常を引き起こした可能性がある理由を知ることができる。
さらに、これらの説明が認知過程から発生して共有され、人と共に検証されると、ロボットはこれらの説明を知識ベースに組み込むことができ、それによって将来の行動を改善することができる。
本稿では,自己認識型自己進化型ロボットの開発における最近の進歩について考察する。
これらのロボットは、人間に必要な説明を提供し、それによって機能的能力を高め、信頼を得るために設計されている。
関連論文リスト
- Towards Agentic Robots: Model, Data, Environment, and Harness [104.80019217099614]
ファンデーションモデルは、ロボットインテリジェンスにおけるパラダイムシフトを推進している。
我々はこのパラダイムをエージェントロボットとして特徴付け、エージェントが人間の指示を理由づける。
本稿では,エージェントロボットに関する既存の研究の概要について述べる。
論文 参考訳（メタデータ） (2026-10-14T16:32:22Z) - The Boundaries of Automation: A Theory of Persistent Human Participation [107.84677954791773]
高い能力を持つAIシステムであっても、人間の参加は継続する可能性がある、と私たちは主張する。
一部のアクティビティでは、ターゲットは事前に完全に指定されるのではなく、代わりにインタラクション自体を通じて現れる。
この観点は、自動化の限界に重要な意味を持つ。
論文 参考訳（メタデータ） (2026-07-23T17:33:43Z) - Robot Self-Improvement via Human-Video Dynamics Models [52.14862052988773]
人間のビデオは、ロボットのエンボディメント間で伝達されるエンボディメントに依存しない動作、ダイナミクス、および値表現を学ぶのに利用できることを示す。
DGAC(Dynamics-Guided Action Correction)は,これらの適応モデルを用いて故障状態の修復を行うトレーニングフリーアプローチである。
以上の結果から,人間の先行とロボットの失敗が組み合わさって,スケーラブルな自律的政策改善を可能にすることが示唆された。
論文 参考訳（メタデータ） (2026-06-19T13:17:27Z) - A roadmap for AI in robotics [55.87087746398059]
AIの可能性を生かして、私たちの日常生活にロボットを配備する上での、際立った障壁に取り組みたいと考えています。
この記事では、1990年代からロボット工学におけるAIが達成したことを評価し、課題と約束を列挙した短期的・中期的な研究ロードマップを提案する。
論文 参考訳（メタデータ） (2025-07-26T15:18:28Z) - A Formalisation of the Purpose Framework: the Autonomy-Alignment Problem in Open-Ended Learning Robots [39.94239759860999]
自律性と制御のバランスをとる自律ロボットの設計を支援するための計算フレームワークを提案する。
人間の目的は、人間がロボットに学ばせるか、やらないかを規定する。
このフレームワークは、自律的なアライメント問題を、より難解なサブプロブレムに分解する。
論文 参考訳（メタデータ） (2024-03-04T22:03:49Z) - 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) - Robots with Different Embodiments Can Express and Influence Carefulness
in Object Manipulation [104.5440430194206]
本研究では,2つのロボットによるコミュニケーション意図による物体操作の知覚について検討する。
ロボットの動きを設計し,物体の搬送時に注意を喚起するか否かを判断した。
論文 参考訳（メタデータ） (2022-08-03T13:26:52Z) - Evaluating Human-like Explanations for Robot Actions in Reinforcement
Learning Scenarios [1.671353192305391]
我々は、自律ロボットが行動を実行した後の目標を達成するために、成功の確率から構築された人間のような説明を活用している。
これらの説明は、人工知能の手法の経験がほとんど、あるいはほとんどない人々によって理解されることを意図している。
論文 参考訳（メタデータ） (2022-07-07T10:40:24Z) - Explain yourself! Effects of Explanations in Human-Robot Interaction [10.389325878657697]
ロボット決定の説明は、ユーザーの知覚に影響を与え、信頼性を正当化し、信頼を高める。
ロボットが人間の知覚に与える影響は、まだ十分に研究されていない。
本研究は、人間とロボットの相互作用を説明する必要性と可能性を示す。
論文 参考訳（メタデータ） (2022-04-09T15:54:27Z) - Integrating Intrinsic and Extrinsic Explainability: The Relevance of
Understanding Neural Networks for Human-Robot Interaction [19.844084722919764]
説明可能な人工知能(XAI)は、インテリジェントで自律的なシステムの信頼と受容を促進するのに役立つ。
NICOは、オープンソースのヒューマノイドロボットプラットフォームであり、ロボット自身による本質的な説明と環境によって提供される外生的な説明の相互作用によって、効率的なロボット動作を実現する方法について紹介されている。
論文 参考訳（メタデータ） (2020-10-09T14:28:48Z) - Explainable Goal-Driven Agents and Robots -- A Comprehensive Review [13.94373363822037]
論文は、目標駆動型知的エージェントとロボットの説明可能なアプローチをレビューする。
エージェントの知覚機能や認知的推論を説明・伝達する技術に重点を置いている。
効果的な目標駆動型説明可能なエージェントとロボットの実現に向けたロードマップを提案する。
論文 参考訳（メタデータ） (2020-04-21T01:41:20Z)
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。