日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

対話システムarXiv:2607.07294

ソーシャルロボットのターンテイキングのためのマルチモーダル音声活動予測:音声活動関連事前学習エンコーダを用いたアプローチ

Multimodal Voice Activity Projection for Turn-Taking in Social Robots with Voice-Activity-Related Pretrained Encoders

シェア:XThreadsFacebookLINEはてブBluesky

音声のみのVAPを拡張し、音声と映像の同期入力を用いてソーシャルロボットのターンテイキング予測を行うフレームワークを提案。事前学習済みの音声視覚バックボーンを低ランク適応で調整し、話者間注意機構と意味的一貫性損失を導入して性能を向上させた。

詳しい要約

1. どんなもの?

本論文は、ソーシャルロボットのターンテイキング予測のためのMultimodal Voice Activity Projection (MM-VAP)フレームワークを提案する。従来の音声のみのVAPを、同期した音声・視覚入力に拡張し、自己教師ありの未来予測目的を維持する。事前学習済みの音声・視覚バックボーンをLow-Rank Adaptation (LoRA)で適応し、話者間アテンションで関係性をモデル化する。さらに、意味整合性損失を導入して256状態の出力空間を正則化する。

2. 先行研究と比べてどこがすごい?

従来のVAPは音声のみに基づいていたが、本手法は音声と視覚のマルチモーダル情報を統合し、特に仲介者設定でのロボットが会話のダイナミクスを予測できる点が新しい。また、事前学習済みの音声関連エンコーダをLoRAで効率的に適応し、意味整合性損失で出力空間を正則化する点が独自性。

3. 技術・手法の肝は?

手法の肝は、音声・視覚の事前学習済みエンコーダを独立に話者エンコーディングし、その後、話者間アテンションで関係性を捉える点。さらに、自己教師ありの未来投影目的を維持しつつ、意味整合性損失で256状態の出力空間を高次な対話活動パターンに合わせて正則化する。LoRAによりパラメータ効率よく適応する。

4. どうやって有効だと検証した?

NoXiとNoXi+Jデータセットで実験し、既存のベースラインと比較して改善を示した。特に一部のターンテイキングイベントで顕著な改善が見られた。さらに、Haru EDRコーパスでの追加評価により、仲介指向のHuman-Robot Interactionへの適合性を支持した。

5. 議論はある?

要旨からは、提案手法が一部のターンテイキングイベントで改善する一方、全てのイベントで一貫した改善ではない可能性が示唆される。また、Haru EDRでの評価は方向性の適合性を示すが、実環境での汎用性や限界については要旨からは不明。

6. 次に読むべき論文は?

要旨で参照されている先行研究として、元のaudio-only VAP formulation、およびNoXi、NoXi+J、Haru EDRデータセットを用いた研究が挙げられる。また、関連手法として、事前学習済み音声・視覚エンコーダやLow-Rank Adaptation (LoRA)を用いた研究が考えられる。

※ 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: Antonio Cano, Guillermo Pérez, Luis Merino, Randy Gomez

分類: cs.RO, cs.AI, cs.CL

原文アブストラクト

Turn-taking prediction is a key requirement for social robots involved in human-human interaction, particularly in mediator settings, where the robot must anticipate conversational dynamics rather than merely react to pauses. This work presents a Multimodal Voice Activity Projection (MM-VAP) framework that extends the original audio-only VAP formulation to synchronized audio-visual inputs while preserving its self-supervised future-projection objective. The proposed approach builds on pretrained audio-visual backbones originally optimized for speech-related tasks and adapts them through Low-Rank Adaptation to the multimodal turn-taking problem. After independent speaker encoding, an inter-speaker attention stage models the relational dynamics required to project future voice activity. In addition, a semantic consistency loss is introduced to regularize the 256-state output space according to higher-level dialogue activity patterns. Experiments on NoXi and NoXi+J showed improvements over the current baselines, particularly for some turn-taking events. Additional evaluation on the Haru EDR corpus further supported the suitability of this direction for mediation-oriented human-robot interaction.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXO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
  3. 3newmo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
  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI