本論文は、人間とロボットの共有制御（shared control）における安全介入をパーソナライズするためのフレームワークを提案している。従来のハプティックガイダンスシステムは事前定義された介入戦略を用いるため、個々のユーザーの安全選好やアプリケーションシナリオに適応できない。そこで、Learning from Haptics (LfH) フレームワークを導入し、スパースなデモンストレーションからユーザーが好む安全介入を学習する。このフレームワークは、微分可能なControl Barrier Function (CBF)ベースの最適化層に基づき、デモンストレーションされたハプティック応答に合わせて安全パラメータを自動調整する。ユーザーはコントローラパラメータを直接調整する代わりに、テレオペレーション中にシステムがどのように介入することを期待するかを教える。結果として、ハプティック共有制御の直感的なインタラクションを保ちながら、デモンストレーションされた介入選好を反映したハプティックガイダンスが生成される。
手法の核は、Learning from Haptics (LfH) フレームワークであり、微分可能なControl Barrier Function (CBF)ベースの最適化層を組み込んでいる。この層は、ユーザーがデモンストレーションしたハプティック応答に合わせて、CBFの安全パラメータを自動調整する。具体的には、ユーザーがテレオペレーション中にシステムが介入する方法を示すスパースなデモンストレーションを提供し、フレームワークはそのデモンストレーションから介入選好を学習する。コントローラパラメータを直接調整するのではなく、安全パラメータを調整することで、生成されるハプティックガイダンスがデモンストレーションされた介入選好を反映する。
要旨で参照されている関連研究は明示されていないが、同分野の定番として、Control Barrier Function (CBF)に関する基礎論文や、Learning from Demonstration (LfD)の手法、ハプティック共有制御に関する研究が挙げられる。具体的には、Ames et al. のCBFに関する研究や、Argall et al. のLfDのサーベイ、そしてハプティック共有制御の代表的な研究（例えば、Abbink et al.）が関連する。
Haptic feedback provides an implicit channel for communicating safety intentions during human-robot shared control. Existing haptic guidance systems typically employ predefined intervention strategies that cannot accommodate the diverse safety preferences of individual users or application scenarios. To address this limitation, we propose a Learning from Haptics (LfH) framework that learns user-preferred safety interventions from sparse demonstrations, eliminating the need for manual trial-and-error design. Our framework is built on a differentiable Control Barrier Function (CBF)-based optimization layer that automatically adjusts the underlying safety parameters to match the demonstrated haptic responses. Instead of tuning controller parameters directly, users teach the system how they expect it to intervene during teleoperation. The resulting haptic guidance reflects the demonstrated intervention preferences while preserving the intuitive interaction of haptic shared control. Simulation and hardware experiments demonstrate that the proposed framework can learn personalized safety interventions from sparse user input and reduce the mismatch between the generated haptic feedback and the demonstrated preferences.
