LLM-Handover: タスク指向のロボット-人間間受け渡しのためのLLM活用

- タスク志向の robot-human handover を実現する枠組み「LLM-Handover」の提案 - LLM による推論と part segmentation を統合し、文脈に応じた grasp 選択と実行を行う - 入力は RGB-D 画像とタスク記述で、引き渡し後の使い勝手を最適化する把持を選ぶ - 評価用に 60 物体・12 カテゴリの part ラベル付き新 dataset を導入

- 既存手法は引き渡し後の人間の行動を軽視し、仮定に依存して汎化性が限られる - 本研究は post-handover の用途を明示的に考慮して grasp を選ぶ点が異なる - 既存の state-of-the-art part segmentation 手法の性能を handover 文脈で改善 - 従来型・非従来型の post-handover タスク双方で適応性が高いと主張

- LLM ベースの推論でタスク記述から対象物体の関連 part を推定 - part segmentation と組み合わせ、引き渡し後の usability を最適化する grasp を選択・実行 - RGB-D 画像とタスク記述を入力とするパイプライン - 詳細は要旨からは不明（grasp 候補生成やスコアリングの具体は不明）

- 60 物体・12 カテゴリ、part ラベル付きの新 dataset を構築して評価 - handover 文脈で state-of-the-art part segmentation 手法の性能改善を確認 - grasp 成功率と post-handover タスク制約への適応性を比較評価 - 実機実験で zero-shot 設定 83% の成功率（従来型・非従来型タスク） - user study で 86% のケースで参加者が本手法を選好

- user study により直感的で文脈認識型の handover が可能と示唆 - 一方、失敗事例や限界、zero-shot 設定の詳細条件は要旨からは不明 - dataset の規模（60 物体）やカテゴリ偏りの影響は要旨からは不明 - LLM 推論の誤りや part segmentation 依存のリスクに関する議論は要旨からは不明

- 本研究が改善対象とした state-of-the-art part segmentation 手法（具体名は要旨からは不明） - LLM を用いた robot manipulation / task planning の関連研究 - task-oriented grasping および robot-human handover の既存研究 - part segmentation の代表的 dataset・手法（一般名として part segmentation benchmarks 等）