隠れた目標下でのゼロショット人間ロボット協調のための構造化LLM推論
Structured LLM Reasoning for Zero-Shot Human--Robot Coordination Under Hidden Goals
プライベートな目標を持つ協調構築タスクにおいて、LLMを用いた構造化アーキテクチャで心の理論推論と階層的計画を組み合わせ、ゼロショットで人間とロボットの協調を実現する手法を提案した。人間実験で、従来の強化学習ベースラインより少ないインタラクション数と高い信頼評価を達成した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Dong Hae Mangalindan, Anand Gokhale, Francesco Bullo, Vaibhav Srivastava
分類: cs.RO, cs.SY, eess.SY
原文アブストラクト
We present a structured large-language-model (LLM) architecture for zero-shot human--robot coordination in a cooperative construction task with private goal views. Guided by a Dec-POMDP formulation, the architecture decomposes decision-making into (i) action-conditioned Theory-of-Mind (ToM) inference, (ii) hierarchical planning, (iii) conversation interpretation, (iv) action verification, and (v) feedback-based replanning. We compare the proposed method with an ablation without ToM inference and a multi-agent reinforcement-learning policy trained offline over many goal pairs. In human-participant experiments, the proposed method required fewer interaction steps and yielded higher post-interaction trust ratings than both baselines. These results suggest that systematically decomposing the team decision problem, using LLMs as tractable surrogates for otherwise intractable inference and planning computations, and retaining conventional verification for physical feasibility can improve both task coordination and the human experience.
関連論文
- 人間-ロボット間の受け渡しを通じた上肢機能的移動能力の能動的知覚人間ロボット協調
- 人間とロボットの協調における人間フィードバック強化学習のスコーピングレビューと実験研究人間ロボット協調
- 人間とロボットの協調組立における解釈可能な認知作業負荷評価のための注意と行動手がかりを統合した視覚ベースフレームワーク人間ロボット協調
- すべての一致が裏付けとなるわけではない：人間とロボットの協調における型付き行動受理のための来歴保存型多視点融合人間ロボット協調
- 人間とロボットのチーム成功のための能動的信頼管理：信頼修復から信頼充足の視点へ人間ロボット協調
- プレハブ建設における計画指向の人間ロボット協調のための認知・身体的負担の知覚ダイナミクスの理解とモデル化人間ロボット協調
