ソーシャルナビゲーションにおける人間のロボット評価の少数ショット推論

- 人間がロボットの振る舞いをどう評価するかを、human-robot interaction 中に予測する研究。 - 従来の user study や大規模ラベル付きデータを要する機械学習の代替として、LLM の few-shot learning を social navigation に適用。 - SEAN TOGETHER dataset を実世界の人間-ロボット navigation episode と参加者 feedback で拡張し、LLM が少数の in-context examples から人間の知覚を予測できるか評価。

- 従来は user study による評価収集、または大量のラベル付きデータを要する data-driven 手法が主流。 - 既存の data-driven 手法は大規模ラベルデータが必要で実用上の制約があった。 - 提案手法は LLM の few-shot 能力により、従来の supervised learning モデルと同等以上を 1 桁少ないラベル付き事例で達成。 - in-context examples を増やすと性能が向上し scalability を確認。

- LLM に少数の in-context examples を与え、ロボットと周囲の人間の時空間的手がかり (spatio-temporal cues) から人間の知覚を予測させる。 - SEAN TOGETHER dataset を実世界の navigation episode と参加者 feedback で拡張して利用。 - 入力特徴量の ablation study により、LLM がどの sensor-based information に依存するかを調査。 - 評価対象ユーザ本人から得た personalized examples を in-context learning に用いる新規応用も検討。

- 拡張した SEAN TOGETHER dataset 上で複数の LLM を評価し、人間の知覚予測性能を従来の supervised learning モデルと比較。 - LLM が同等以上かつ 1 桁少ないラベル事例で達成することを示す。 - in-context examples 数の増加に伴う性能向上を確認。 - 入力特徴量の ablation study と personalized examples の効果検証を実施。

- in-context examples の増加で性能が向上し scalability が示唆される一方、few-shot 設定での限界や一般化性については要旨からは不明。 - LLM が依拠する sensor-based information を ablation で分析しているが、詳細な議論は要旨からは不明。 - personalized examples が精度をさらに向上させることを示すが、プライバシーや実運用上の課題は要旨からは不明。

- SEAN TOGETHER dataset 関連の social navigation 研究。 - LLM の in-context learning / few-shot learning を用いた human perception 予測の先行研究。 - social navigation における supervised learning ベースの人間評価予測手法。 - personalized in-context learning に関する研究。