共有自律/技能学習2026/5/1arXiv:2605.20355

近接状態ナッジング：AI支援による技能萎縮の軽減

Proximal State Nudging: Reducing Skill Atrophy from AI Assistance

AI支援下での技能低下を防ぐため、学習しやすい状態へユーザーを誘導する共有自律アルゴリズムを提案し、シミュレーションと人間実験で効果を実証した。

詳しい要約

1. どんなもの？

- AI支援によるスキル萎縮（skill atrophy）を軽減する共有自律アルゴリズムProximal State Nudging (PSN)を提案。 - 半自律システムの共有制御において、オペレータが自身の入力と自律補正を区別できない安全リスクに対処。 - 学習可能性が高いと推定される状態へユーザを誘導することで、スキル開発とタスク性能を同時に最適化。

2. 先行研究と比べてどこがすごい？

- 既存の共有自律ベースラインと比較して、未支援報酬における学生の改善と共有性能のバランスで優れる。 - 学習互換な共有自律を組み込んだプランナーに関する初のヒト被験者研究を実施。 - 標準的なblended shared autonomyと比べ、未支援スキルの向上が最大7倍、衝突が50%少ない。

3. 技術・手法の肝は？

- ユーザを最も学習可能と推定される状態へnudgeする共有自律アルゴリズム。 - スキル開発とタスク性能を共同最適化。 - 具体的な最適化手法やnudgeの計算方法は要旨からは不明。

4. どうやって有効だと検証した？

- シミュレーション：LunarLander環境でシミュレート学生を用い、既存ベースラインと比較。 - ヒト被験者研究：CARLAシミュレータで2つの運転タスク（High Performance RacingとParallel Parking）、n=60。 - 結果：PSNは未支援スキルを最大7倍向上、衝突を50%削減。

5. 議論はある？

- スキル萎縮が安全リスクとなる共有制御の課題を提起。 - PSNがスキル開発と性能のバランスを改善する可能性を示す。 - 限界や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：blended shared autonomy、shared autonomy baselines。 - 関連手法：LunarLander、CARLAシミュレータを用いた共有自律研究。 - 同分野の定番：shared autonomy、learning-compatible shared autonomy。

※ 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: Megha Srivastava, Jonathan Ouyang, Eric Zhou, Andrew Silva, Emily Sumner, Dorsa Sadigh, Yuchen Cui, Deepak Gopinath, Guy Rosman

分類: cs.RO, cs.HC, cs.LG

原文アブストラクト

Skill atrophy, the gradual decline of human capability under AI assistance, poses a safety risk in shared-control of semi-autonomous systems, where operators may be unable to distinguish their own inputs from autonomous corrections. We propose Proximal State Nudging (PSN), a shared autonomy algorithm that jointly optimizes for skill development and task performance by nudging users toward states estimated to be most learnable. We first show that PSN outperforms existing shared autonomy baselines in balancing student improvement in unassisted reward with overall shared performance, using simulated students in the classic LunarLander environment. We then present, to the best of our knowledge, the first human subject studies of a planner incorporating learning-compatible shared autonomy: across two driving tasks in the CARLA simulator (High Performance Racing and Parallel Parking, n = 60), PSN produces up to 7x larger gains in unassisted skill than standard blended shared autonomy, while incurring 50% fewer collisions than unassisted self-practice.

arXivで原文を読む →arXiv概要ページ

← 論文一覧