視覚言語モデルを社会的知能の代理として活用する人間-ロボットインタラクション

- 大学カフェでの5日間のWizard-of-Ozによるmobile service robot運用を通じ、人が非言語行動でinteraction readinessを示す様子と、expert wizardsがそれをどう使うかを分析した研究。 - その観察に基づき、軽量な知覚detector（gaze shiftsとproxemics）で社会的に意味のある瞬間だけvideo-based vision-language model (VLM)を呼び出すtwo-stage pipelineを提案。 - replayed field interactionsで評価し、2つのprompting strategiesを比較している。

- 要旨からは不明（先行研究との具体的比較は記述されていない）。 - ただし、時間的に展開するsubtleな非言語cueを明示的にモデル化するのが難しいという課題に対し、VLMをsocial reasoningのproxyとして選択的に使う点を特徴としている。

- 軽量なperceptual detectors（gaze shiftsとproxemics）で社会的に意味のある瞬間を検出し、そのときだけ重いvideo-based VLM queryをtriggerするtwo-stage pipeline。 - VLMはsocial reasoningのproxyとして位置づけられ、2つのprompting strategiesを比較。 - 設計の動機は、Wizard-of-Oz運用で観察された人が自然に発するcueとexpert wizardsのengagement判断。

- replayed field interactions上でpipelineを評価。 - 2つのprompting strategiesを比較。 - 結果は、VLMを選択的にsocial reasoningのproxyとして使うことで社会的に応答的なrobot behaviorが可能になることを示唆。

- 要旨からは不明（限界や議論の詳細は記述されていない）。 - 示唆として、人が実世界で自然に提供するcueに注目することで、robotが適切に振る舞える可能性が述べられている。

- 要旨で参照・比較されている個別研究は明記されていない。 - 関連手法として、vision-language model (VLM)、Wizard-of-Oz、gaze shifts、proxemics、video-based VLM、prompting strategiesが挙げられる。 - 同分野の定番としてはhuman-robot interaction (HRI)やsocial signal processing、nonverbal cue recognitionの文献が次に読む候補。