XHRI2025/7/1arXiv:2507.03049

長期的な人間とロボットの相互作用における個別化された説明

Personalised Explanations in Long-term Human-Robot Interactions

ロボットが人間に説明を行う際に、ユーザーの知識モデルを更新・参照して説明の詳細度を個別化するフレームワークを提案し、LLMを用いた3つのアーキテクチャを病院巡回ロボットとキッチンアシスタントロボットのシナリオで評価した。

詳しい要約

1. どんなもの？

- 本論文は、Human-Robot Interaction (HRI) における eXplainable HRI (XHRI) の研究。 - 長期的な人間とロボットのインタラクションにおいて、ユーザの知識メモリモデルを更新・取得するフレームワークを提案。 - 説明の詳細度を適応させ、以前に獲得した概念を参照することを可能にする。 - 3つのアーキテクチャを比較し、2段階アーキテクチャが有効であることを示す。

2. 先行研究と比べてどこがすごい？

- 先行研究では、説明の詳細度をパーソナライズすることの必要性が指摘されていた。 - 本論文は、ユーザ知識メモリモデルを更新・取得するフレームワークを提案し、長期的なインタラクションでの説明の適応を可能にした点が新しい。 - 具体的なアーキテクチャの比較評価を行い、2段階アーキテクチャの有効性を示した点が先行研究と異なる。

3. 技術・手法の肝は？

- ユーザ知識メモリモデルを更新・取得するフレームワークを提案。 - このフレームワークに基づき、Large Language Models (LLMs) を用いた3つのアーキテクチャを構築。 - 2段階アーキテクチャ：まず説明を生成し、その後に関連するユーザ知識がある場合にのみ詳細度を下げるパーソナライズを行う。 - これにより、ユーザの知識に応じた説明の詳細度調整を実現。

4. どうやって有効だと検証した？

- 2つのシナリオ（病院の巡回ロボットとキッチンアシスタントロボット）で評価。 - 3つのアーキテクチャを比較し、2段階アーキテクチャが関連するユーザ知識がある場合にのみ詳細度を効果的に下げることを実験的に示した。 - 実験結果から、2段階アーキテクチャの有効性を確認。

5. 議論はある？

- 要旨からは不明。 - ただし、2段階アーキテクチャが有効であることが示されているが、他のアーキテクチャの限界やフレームワークの一般性については言及されていない。

6. 次に読むべき論文は？

- eXplainable HRI (XHRI) に関する先行研究。 - Large Language Models (LLMs) を用いた説明生成に関する研究。 - ユーザ知識モデリングに関する研究。 - 同分野の定番として、Human-Robot Interaction (HRI) における説明生成の基礎研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ferran Gebellí, Anaís Garrell, Jan-Gerrit Habekost, Séverin Lemaignan, Stefan Wermter, Raquel Ros

分類: cs.RO, cs.AI, cs.HC

原文アブストラクト

In the field of Human-Robot Interaction (HRI), a fundamental challenge is to facilitate human understanding of robots. The emerging domain of eXplainable HRI (XHRI) investigates methods to generate explanations and evaluate their impact on human-robot interactions. Previous works have highlighted the need to personalise the level of detail of these explanations to enhance usability and comprehension. Our paper presents a framework designed to update and retrieve user knowledge-memory models, allowing for adapting the explanations' level of detail while referencing previously acquired concepts. Three architectures based on our proposed framework that use Large Language Models (LLMs) are evaluated in two distinct scenarios: a hospital patrolling robot and a kitchen assistant robot. Experimental results demonstrate that a two-stage architecture, which first generates an explanation and then personalises it, is the framework architecture that effectively reduces the level of detail only when there is related user knowledge.

arXivで原文を読む →arXiv概要ページ

← 論文一覧