障害復旧/人間参加型/モジュール型政策2026/2/1arXiv:2602.10289

モジュール型ロボット政策のための人間参加型信頼度対応障害復旧フレームワーク

A Human-in-the-Loop Confidence-Aware Failure Recovery Framework for Modular Robot Policies

モジュール型ロボット政策において、モジュールレベルの不確実性と人間の介入コストを考慮し、どのモジュールにいつ人間に問い合わせるかを決定する障害復旧フレームワークを提案。食事取得支援ロボットで有効性を実証。

詳しい要約

1. どんなもの？

- モジュール型ロボットポリシーにおけるhuman-in-the-loopの失敗回復フレームワーク。 - ポリシーはperception, planning, controlなどのモジュールから構成され、各モジュールが失敗する可能性がある。 - モジュールレベルの不確実性と人間の介入コストを統合し、どのモジュールをいつ人間に問い合わせるかを決定する。 - モジュールセレクタとクエリイングアルゴリズムを分離。 - ロボット介護シナリオでの応用を想定。

2. 先行研究と比べてどこがすごい？

- 従来の失敗回復は人間への過剰または不適切なクエリにより認知・身体的負荷をかける問題があった。 - 本フレームワークはモジュールレベルの不確実性と人間の介入コストを明示的に考慮し、クエリの対象とタイミングを最適化する点が新しい。 - 回復効率、システム・ユーザー変数へのロバスト性、ユーザー負荷のトレードオフを明らかにした。

3. 技術・手法の肝は？

- モジュールレベルの不確実性のキャリブレーション推定と人間介入コストモデルを統合。 - モジュールセレクタが失敗の原因モジュールを特定。 - クエリイングアルゴリズムが人間への問い合わせか自律行動かを決定。 - 複数のモジュール選択戦略とクエリイングアルゴリズムを評価。

4. どうやって有効だと検証した？

- 制御された合成実験で複数のモジュール選択戦略とクエリイングアルゴリズムを評価。 - ロボット支援咬傷獲得システムに展開し、模擬的および実際の移動制限を持つ個人を対象に研究を実施。 - 回復成功率の向上とユーザー負荷の低減を実証。

5. 議論はある？

- 回復効率、ロバスト性、ユーザー負荷の間のトレードオフが明らかになった。 - ロボットの不確実性と人間の努力を明示的に推論することが、効率的でユーザー中心の失敗回復を可能にすることを強調。 - 具体的な議論の詳細は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、human-in-the-loop failure recovery、modular robot policies、uncertainty calibration、human intervention cost modelingなどが挙げられる。 - 同分野の定番として、learning from demonstration、interactive machine learning、shared autonomyなどの論文が次に読むべき候補。

※ 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: Rohan Banerjee, Krishna Palempalli, Bohan Yang, Jiaying Fang, Alif Abdullah, Tom Silver, Sarah Dean, Tapomayukh Bhattacharjee

分類: cs.RO

原文アブストラクト

Robots operating in unstructured human environments inevitably encounter failures, especially in robot caregiving scenarios. While humans can often help robots recover, excessive or poorly targeted queries impose unnecessary cognitive and physical workload on the human partner. We present a human-in-the-loop failure-recovery framework for modular robotic policies, where a policy is composed of distinct modules such as perception, planning, and control, any of which may fail and often require different forms of human feedback. Our framework integrates calibrated estimates of module-level uncertainty with models of human intervention cost to decide which module to query and when to query the human. It separates these two decisions: a module selector identifies the module most likely responsible for failure, and a querying algorithm determines whether to solicit human input or act autonomously. We evaluate several module-selection strategies and querying algorithms in controlled synthetic experiments, revealing trade-offs between recovery efficiency, robustness to system and user variables, and user workload. Finally, we deploy the framework on a robot-assisted bite acquisition system and demonstrate, in studies involving individuals with both emulated and real mobility limitations, that it improves recovery success while reducing the workload imposed on users. Our results highlight how explicitly reasoning about both robot uncertainty and human effort can enable more efficient and user-centered failure recovery in collaborative robots. Supplementary materials and videos can be found at: http://emprise.cs.cornell.edu/modularhil

arXivで原文を読む →arXiv概要ページ

← 論文一覧