Fugu-MT 論文翻訳(概要): AffectiveVLA: Safe and Intent-Aware VLA Control for Human-Humanoid Social Interaction

論文の概要: AffectiveVLA: Safe and Intent-Aware VLA Control for Human-Humanoid Social Interaction

arxiv url: http://arxiv.org/abs/2611.07712v1
Date: Thu, 05 Nov 2026 09:29:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-06 21:50:50.637195
Title: AffectiveVLA: Safe and Intent-Aware VLA Control for Human-Humanoid Social Interaction
Title（参考訳）: AffectiveVLA:ヒトとヒトの社会的相互作用に対する安全かつ意図的なVLA制御
Abstract要約: 社会的接触相互作用は、人間の意図を推測し、接触に富んだ動きを生成し、安全な物理的接触を維持するためにヒューマノイドロボットを必要とする。 AffectiveVLAは、Unitree G1ヒューマノイド上に展開する意図駆動型ビジョン・ランゲージ・アクションパイプラインである。
参考スコア（独自算出の注目度）: 2.588846063278687
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Social touch interactions, such as handshakes, fist bumps, and hugs, require humanoid robots to infer human intent, generate contact-rich motions, and maintain safe physical contact. We present AffectiveVLA, an intent-gated Vision-Language-Action (VLA) pipeline deployed on a Unitree G1 humanoid with dexterous hands. A lightweight RGB-based model recognizes interaction intent from two onboard cameras and converts it into a language prompt for the VLA policy. Low-confidence predictions suppress motion execution, reducing unintended activations. During physical contact, interaction-specific compliance profiles adjust arm impedance, while an independent voice-triggered mechanism initiates a latched safe-stop procedure. Using VR teleoperation, we collected approximately 1,300 multimodal interaction episodes and fine-tuned four VLA models: GR00T, RLDX-1, Being-H0.5, and UnifoLM-VLA-0. On-robot evaluation identifies GR00T as the best-performing standalone model. Integrating intent recognition increases its macro-F1 score from 0.75 to 0.90, while the intent model achieves a p95 inference latency of 6.27 ms. These results demonstrate that explicit intent gating improves the reliability of VLA-based social interaction without compromising real-time operation.
Abstract（参考訳）: 握手、握手、抱擁などの社会的接触相互作用は、人間の意図を推測し、接触に富んだ動きを生成し、安全な物理的接触を維持するためにヒューマノイドロボットを必要とする。 AffectiveVLAは,Unitree G1ヒューマノイド上に展開する意図駆動型ビジョン・ランゲージ・アクション(VLA)パイプラインである。軽量なRGBベースのモデルは、2台のオンボードカメラからのインタラクション意図を認識し、VLAポリシーの言語プロンプトに変換する。低信頼予測は動きの実行を抑制し、意図しないアクティベーションを減らす。物理的接触の間、インタラクション固有のコンプライアンスプロファイルは腕のインピーダンスを調整し、独立した音声トリガー機構はラッチされた安全停止手順を開始する。 VR遠隔操作を用いて約1,300件のマルチモーダルインタラクションエピソードと細調整された4つのVLAモデル(GR00T, RLDX-1, Be-H0.5, UnifoLM-VLA-0。オンロボット評価では、GR00Tが最高のパフォーマンスのスタンドアロンモデルである。意図認識の統合によりマクロF1スコアは0.75から0.90に増加し、意図モデルはp95推論遅延6.27msを達成した。

関連論文リスト

SocialVLA: A Social Perception Gateway for Human-Reaction-Based Failure Detection and Recovery in VLA Manipulation [2.460614761319643]
視覚言語アクション(VLA)ポリシーは、多様なロボット操作を可能にするが、自身のエラーを認識することなく実行中に失敗する可能性がある。本稿では,自然反応を実行時介入信号に変換する社会認識ゲートウェイであるSocialVLAを紹介する。 SocialVLAは、因果パラ言語的音声検出、視覚反応認識、明示的な停止フレーズ、ロボット関連推定を組み合わせる。
論文参考訳（メタデータ） (2026-10-01T18:36:35Z)
Temporal Tactile Encoding and Compliance for Intent-Aware Robot-to-Human Bimanual Handover [4.0318506932466445]
信頼性の高いロボットと人間のハンドオーバは、人間がオブジェクトを受け取る準備ができているときにロボットを推論し、安全に、快適に、そして適切なタイミングで解放することを要求する。視覚的な観察だけでは、偶然の接触、弱いつかみ、間違った方向の力、過渡的な相互作用から意図を明確化できないため、これは難しい。我々のアプローチは、オブジェクト転送時の相互作用力を減少させるコンプライアンスコントローラを備えたVLAモデルを結合する。本研究は,触覚フィードバックのないもの,触覚フィードバックがないもの,コンプライアンス制御のないもの,の2つのベースラインに対する人体実験において,完全なシステムの評価を行った。
論文参考訳（メタデータ） (2026-09-04T15:34:47Z)
Hydra-0: Action Flow for Generalist World Modeling and Control [64.88849745875753]
Hydra-0はアクションフローを条件とした世界モデルであり、ロボットの動きをピクセルの動きとして表現している。我々の最良の構成は、90.4%のロボットモーションエラー、60.2%のオブジェクトモーションエラーを達成する。訓練されたアクションヘッドは、タスク固有の専門家ロボットのデモンストレーションを必要とせずに、得られた潜在機能を実行可能なアクションにマッピングする。
論文参考訳（メタデータ） (2026-08-18T17:59:30Z)
RGB-D Video Generation for Improving Human-to-Robot Object Handover Prediction [51.76737991200891]
H2R(Human-to-robot)オブジェクトハンドオーバは、人間とロボットのコラボレーションの基本的な能力である。本稿では,RGB-DビデオデータセットであるHand2Botを紹介する。ハンドオブジェクトの一貫性を確保しつつ,現実的なハンドオーバシーケンスを合成する生成パイプラインであるPassGenを提案する。
論文参考訳（メタデータ） (2026-08-13T09:55:59Z)
Assistron: Bayesian Shared Autonomy with Off-the-shelf Vision-Language-Action Models [6.557127548028966]
本稿では,VLA(Vision-Language-Action)モデルを活用する共有自律モデルであるAssistronを提案する。我々のアプローチは,(1)VLA駆動の自律性をマクロ運動に活用することによる人間の認知力と身体的努力の最小化,(2)重要な障害点に特化して人の介入を優先順位付けすること,の2つの原則に根ざしている。
論文参考訳（メタデータ） (2026-06-22T10:47:12Z)
Probing Collision Grounding in Vision-Language Models for Safe Human-Robot Collaboration [19.192199380267393]
視覚言語モデル(VLM)における衝突基盤の評価のためのベンチマークであるTouchSafeBenchを紹介する。 TouchSafeBenchには、ソーシャルナビゲーションとソーシャルアレンジメントの2,940のシミュレーション屋内共催エピソードが含まれている。本研究では,現在の安全状態を分類し,接触前の緊急衝突を警告する2つの配置タスクについて検討する。
論文参考訳（メタデータ） (2026-05-29T12:04:38Z)
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)
MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
論文参考訳（メタデータ） (2025-12-17T12:59:41Z)
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)
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)

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。