論文の概要: Dream to Assist: Intent-Conditioned World Models for Shared Vehicle Control

• arxiv url: http://arxiv.org/abs/2610.34650v1
• Date: Mon, 26 Oct 2026 00:28:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.655126
• Title: Dream to Assist: Intent-Conditioned World Models for Shared Vehicle Control
• Title（参考訳）: 夢から支援へ:共有車両制御のためのインテントコンディション世界モデル
• Abstract要約: 本稿では,モデルに基づく強化学習フレームワークであるDream2Assistについて紹介する。 提案手法は、意図的推論による連続的状態空間世界モデルを拡張し、架空の共同プレイを通じて訓練された支援政策を、個別の人間の目的を予測し支援することを可能にする。 筆者らは,3つの人体実験と,2つの定性的に異なる領域にまたがる車載配置を通じて,この枠組みを検証した。
• 参考スコア（独自算出の注目度）: 4.693156037940368
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Assistive agents in shared-control settings face a dual challenge: acting proactively to align with the human's intentions while remaining legible enough for the human to comprehend and fluently respond in real time. We present Dream2Assist, a model-based reinforcement learning framework for tightly-coupled shared decision making that addresses both sides of this challenge. Our approach extends a recurrent state-space world model with intent inference, enabling an assistive policy trained via fictitious co-play to anticipate and support discrete human objectives without overriding human agency. Beyond the computational framework, we describe the full deployment pipeline needed to translate a world-model-based policy into a safe, human-centered system in a resource-efficient way. Crucially, we address the sim-to-real-human gap via policy down-selection and reward restructuring within an iterative human-machine interface design. We validate the framework through three human-subjects studies and a preliminary on-vehicle deployment spanning two qualitatively distinct domains: high-speed racing (N=30) and urban driving with richer intent structure (N=10). Our results demonstrate that intent conditioning yields measurable improvements in torque alignment and collision rate. We surface key design insights and practices for deploying learning-based assistive agents in safety-critical, real-time human-robot teaming.
• Abstract（参考訳）: 共有制御設定における補助的エージェントは、人間の意図に順応するために積極的に行動すると同時に、人間がリアルタイムで理解し、流動的に反応するのに十分な正当性を維持しながら、二重の課題に直面している。 私たちはDream2Assistというモデルベースの強化学習フレームワークを紹介します。 提案手法は,意図的推論による再帰的状態空間世界モデルを拡張し,架空の共同プレイを通じて訓練された援助政策を,人的エージェンシーをオーバーライドすることなく,個別の人間の目標を予測・支援することを可能にする。 計算フレームワークの他に、世界モデルベースのポリシーを安全で人間中心のシステムにリソース効率のよい方法で翻訳するために必要な、完全なデプロイメントパイプラインについて説明する。 重要なことは、ポリシーのダウン選択と報酬再構成を通じて、反復的なヒューマン・マシン・インタフェース設計において、シム・トゥ・リアル・ヒューマンギャップに対処することである。 筆者らは,3つの人体実験と,高速走行(N=30)とよりリッチな意図構造(N=10)の2つの定性的に異なる領域にまたがる車載配置の予備的検証を行った。 その結果, インテント条件付けにより, トルクアライメントと衝突速度が測定可能な改善が得られた。 我々は、安全クリティカルでリアルタイムな人間ロボットのチーム編成において、学習ベースの補助エージェントを配置するための重要な設計思想と実践を提示する。

関連論文リスト

• PCHC: Enabling Preference Conditioned Humanoid Control via Multi-Objective Reinforcement Learning [50.63196995993855]
  多目的強化学習(MORL)を活用してPCHC(Preference-Conditioned Humanoid Control)を実現する新しいフレームワークを提案する。 当社のフレームワークは、単一の嗜好条件のポリシーを多種多様な行動を示すために有効である。
  論文  参考訳（メタデータ） (2026-03-25T07:55:37Z)
• Uncertainty Mitigation and Intent Inference: A Dual-Mode Human-Machine Joint Planning System [16.75873002054227]
  本研究では,二元的不確実性に対処する統合人間ロボット共同計画システムを提案する。 第一に、不確実性軽減共同計画モジュールは、双方向の会話によって意味的あいまいさとオブジェクトの不確実性を解決することができる。 第2に、リアルタイムな意図認識協調モジュールは、人間の潜在タスク意図に対する確率論的信念を維持している。
  論文  参考訳（メタデータ） (2026-03-08T21:43:30Z)
• Explicit World Models for Reliable Human-Robot Collaboration [13.90528067304433]
  私たちは、信頼できるエンボディドAIの問題に対して、根本的に異なるタックを取ります。 我々は人間とロボットの相互作用の動的な、曖昧で主観的な性質を強調した。
  論文  参考訳（メタデータ） (2026-01-05T00:58:19Z)
• From Human Intention to Action Prediction: A Comprehensive Benchmark for Intention-driven End-to-End Autonomous Driving [67.23302649816466]
  現在の自律運転システムは、単純な操縦命令に従うように、インテリジェンスレベルで動作する。 Intention-Driveは、高レベルの人間の意図を安全かつ正確な運転行動に変換する能力を評価するために設計された最初の総合的なベンチマークである。
  論文  参考訳（メタデータ） (2025-12-13T11:59:51Z)
• SPACeR: Self-Play Anchoring with Centralized Reference Models [50.55045557371374]
  Simエージェントポリシーは、現実的で、人間らしく、高速で、マルチエージェント設定でスケーラブルである。 大規模な拡散モデルやトークン化モデルを用いた模倣学習の最近の進歩は、人間の運転データから直接行動を把握することができることを示している。 本研究では,事前訓練されたトークン化自己回帰運動モデルを利用したSPACeRを提案する。
  論文  参考訳（メタデータ） (2025-10-20T19:53:02Z)
• Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
  離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。 我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。 本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
  論文  参考訳（メタデータ） (2025-09-24T13:35:15Z)
• ReAL-AD: Towards Human-Like Reasoning in End-to-End Autonomous Driving [27.75047397292818]
  エンドツーエンドの自動運転は、単一のフレームワーク内で認識、予測、計画を統合するための有望なアプローチとして現れています。 本稿では,3階層の認知モデルに基づいて自律運転における意思決定を構造化するReAL-ADを提案する。 我々のフレームワークを統合することで、計画の正確さと安全性が30%以上向上し、エンドツーエンドの自動運転がより解釈可能になり、人間のような階層的推論に適合することを示します。
  論文  参考訳（メタデータ） (2025-07-16T02:23:24Z)
• ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
  ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。 我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。 次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
  論文  参考訳（メタデータ） (2025-06-09T03:14:04Z)
• Dreaming to Assist: Learning to Align with Human Objectives for Shared Control in High-Speed Racing [10.947581892636629]
  高速なダイナミクスと戦術的な決定を含むドメインにおける効果的な人間ロボットチームのために、タイトな調整が求められます。 人間の目的や価値関数を推測できる豊かな世界モデルを組み合わせたフレームワークであるDream2Assistを提案する。 人間の行動と人間の行動とを混ぜ合わせると、人工人間単独よりも優れた結果が得られます。
  論文  参考訳（メタデータ） (2024-10-14T01:00:46Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)

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。