日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

人間ロボット協調/意図推論arXiv:2603.11077

TATIC: 人間とロボットの協調作業における物理的修正からの人間の意図推論のためのタスク認識型時間学習

TATIC: Task-Aware Temporal Learning for Human Intent Inference from Physical Corrections in Human-Robot Collaboration

シェア:XThreadsFacebookLINEはてブBluesky

物理的修正からタスクレベルの意図と運動レベルのパラメータを同時に推定する統一フレームワークを提案し、実験で高い意図認識精度とハードウェア検証を達成した。

詳しい要約

1. どんなもの?

- 人間とロボットの協調(HRC)において、物理的な修正から人間の意図を推論するタスク認識型時間学習フレームワーク TATIC を提案。 - トルクベースの接触力推定とタスク認識型 Temporal Convolutional Network (TCN) を統合し、短い物理的修正から離散的なタスクレベル意図と連続的な運動レベルパラメータを同時に推論する。 - タスク整合特徴正規化により多様なレイアウトへの汎化を実現し、意図駆動型適応スキームで推論された意図をロボット動作に反映する。

2. 先行研究と比べてどこがすごい?

- 既存の foundation-model ベース手法は視覚と言語入力に依存し、物理フィードバックを解釈する仕組みを欠く。 - 従来の physical human-robot interaction (pHRI) 手法は物理的修正を軌道誘導に用いるが、タスクレベルの意味論を推論することが難しい。 - TATIC はこれらのギャップを埋め、物理的修正からタスクレベル意図と運動レベルパラメータを同時に推論する点で優れる。

3. 技術・手法の肝は?

- トルクベースの接触力推定を利用して物理的修正を捉える。 - タスク認識型 Temporal Convolutional Network (TCN) により、離散的なタスクレベル意図と連続的な運動レベルパラメータを共同で推論する。 - タスク整合特徴正規化(task-aligned feature canonicalization)で多様なレイアウトへの頑健な汎化を確保。 - 意図駆動型適応スキーム(intent-driven adaptation scheme)で推論された意図をロボット動作適応に変換する。

4. どうやって有効だと検証した?

- 意図認識において Macro-F1 スコア 0.904 を達成。 - 協調的分解(collaborative disassembly)におけるハードウェア検証に成功。 - 実験ビデオが https://youtu.be/xF8A52qwEc8 で公開されている。

5. 議論はある?

- 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が、関連手法として foundation-model-based approaches、traditional physical human-robot interaction (pHRI) methods が挙げられる。 - 同分野の定番として、Human-Robot Collaboration (HRC)、Physical Human-Robot Interaction (pHRI)、Temporal Convolutional Network (TCN) に関する研究が次に読むべき候補となる。

※ 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: Jiurun Song, Xiao Liang, Minghui Zheng

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

In human-robot collaboration (HRC), robots must adapt online to dynamic task constraints and evolving human intent. While physical corrections provide a natural, low-latency channel for operators to convey motion-level adjustments, extracting task-level semantic intent from such brief interactions remains challenging. Existing foundation-model-based approaches primarily rely on vision and language inputs and lack mechanisms to interpret physical feedback. Meanwhile, traditional physical human-robot interaction (pHRI) methods leverage physical corrections for trajectory guidance but struggle to infer task-level semantics. To bridge this gap, we propose TATIC, a unified framework that utilizes torque-based contact force estimation and a task-aware Temporal Convolutional Network (TCN) to jointly infer discrete task-level intent and estimate continuous motion-level parameters from brief physical corrections. Task-aligned feature canonicalization ensures robust generalization across diverse layouts, while an intent-driven adaptation scheme translates inferred human intent into robot motion adaptations. Experiments achieve a 0.904 Macro-F1 score in intent recognition and demonstrate successful hardware validation in collaborative disassembly (see experimental video at https://youtu.be/xF8A52qwEc8).

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI