日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

物体再配置arXiv:2606.17309

不確実性ガイドによるLLM支援を活用した棄権対応の個人化物体再配置

Abstention-Aware Personalized Object Rearrangement via Uncertainty-Guided LLM Assistance

シェア:XThreadsFacebookLINEはてブBluesky

家庭環境での物体再配置において、置くべき場所の予測だけでなく、置くべきでない場合の判断も重要です。本研究では、軽量な個人化埋め込みモデルと選択的な大規模言語モデル支援を組み合わせたハイブリッドフレームワークAPOLLOを提案し、不確実性推定に基づいて曖昧な決定のみLLMを呼び出すことで、効率性・プライバシー・推論能力のバランスを実現しました。

詳しい要約

1. どんなもの?

- 家庭環境でのロボット支援において、物体をどこに置くべきかだけでなく、置くべきでない状況を判断するabstention-awareなpersonalized object rearrangementの枠組み。 - APOLLOは軽量なpersonalized embedding model (PEM)と選択的なlarge language model (LLM)支援を組み合わせたハイブリッドフレームワーク。 - PEMは各ユーザ・環境ペアごとに少数のデモンストレーションで訓練され、CPU上で動作し、不確実性推定を生成する。 - 不確実性に基づき曖昧な決定にのみLLM推論を選択的に呼び出し、効率・プライバシー・推論能力のバランスを取る。 - 評価用にAPORという合成LLM生成データセットを導入。部屋レベル・複数家具環境、多様な組織プロファイル、明示的abstention行動、ノイズを含む部分的なシーンコンテキストを捉える。

2. 先行研究と比べてどこがすごい?

- 既存のpersonalized object rearrangementは、クリーンな観測と完全な行動可能性を仮定した配置決定に焦点を当てており、現実の乱雑で部分的に誤りのある設定への適用が限られていた。 - APOLLOはabstention-awareな定式化を導入し、置くべきでない状況を推論する点で先行研究と異なる。 - 従来のLLMベースベースラインと比較して、制御されたベンチマーク設定で性能を向上させつつ、LLM使用量を大幅に削減。 - 既存ベンチマークを超えて評価するため、APORデータセットを新たに導入。

3. 技術・手法の肝は?

- 軽量なpersonalized embedding model (PEM)を各ユーザ・環境ペアごとに少数のデモンストレーションで訓練。 - PEMはCPU上で動作し、不確実性推定を生成。 - 不確実性推定に基づき、曖昧な決定に対してのみLLMベースの推論を選択的に呼び出す。 - これにより効率、プライバシー、推論能力のバランスを取る。 - ハイブリッドフレームワークとしてPEMとLLMを組み合わせる。

4. どうやって有効だと検証した?

- PARSECとAPORの両方で広範な実験を実施。 - APORは合成LLM生成データセットで、部屋レベル・複数家具環境、多様な組織プロファイル、明示的abstention行動、ノイズを含む部分的なシーンコンテキストを捉える。 - 制御されたベンチマーク設定で、APOLLOが先行のLLMベースベースラインより改善することを示す初期証拠を得た。 - 同時にLLM使用量を大幅に削減できることを確認。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- PARSEC(既存ベンチマーク) - APOR(本論文で導入されたデータセット) - LLM-based baselines(先行のLLMベース手法)

※ 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: Sam Collin, Ali Ayub

分類: cs.RO

原文アブストラクト

Robotic assistance in household environments requires not only predicting where objects should be placed, but also reasoning about when objects should not be placed at all. Existing approaches to personalized object rearrangement primarily focus on placement decisions under the assumption of clean observations and complete actionability, limiting their applicability in realistic, cluttered, and partially erroneous settings. In this paper, we introduce APOLLO, a hybrid framework for abstention-aware personalized object rearrangement that combines a lightweight, personalized embedding model (PEM) with selective large language model (LLM) assistance. PEM is trained for each user-environment pair using a small number of demonstrations, operates entirely on CPU, and produces uncertainty estimates, which are used to selectively invoke LLM-based reasoning only for ambiguous decisions, balancing efficiency, privacy, and reasoning capability. To evaluate this formulation beyond existing benchmarks, we introduce APOR, a synthetic, LLM-generated dataset that captures room-level, multi-furniture environments, diverse organizational profiles, explicit abstention behavior, and noisy partial scene context. Extensive experiments on both PARSEC and APOR provide initial evidence that APOLLO improves over prior LLM-based baselines in controlled benchmark settings while substantially reducing LLM usage. Code is available at https://github.com/PaInt-Lab/APOLLO.

  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI