ソーシャルロボティクス2026/10/5arXiv:2610.05964

社会的推論から身体化インタラクションへ：ソーシャルロボットのためのエージェントフレームワーク

From Social Reasoning to Embodied Interaction: An Agentic Framework for Social Robots

ヒューマノイドロボットSophia上で、マルチモーダル推論・長期記憶・能動的/反応的インタラクションを統合し、社会的意図を音声・表情・ジェスチャーとしてストリーミング実行するフレームワークARISEを提案した。

詳しい要約

1. どんなもの？

- 本論文は、人間とロボットの自然な対面インタラクションを実現するための統合フレームワーク「ARISE」を提案する。 - ARISEは、Agentic ReasoningとInteractive Social EmbodimentをSophia humanoid robot上で橋渡しする。 - マルチモーダルな文脈理解、長期記憶、反応的・能動的インタラクションを統合し、いつ・何を伝えるかを決定する。 - 社会的意図を、音声と機械的な顔表情に協調したロボット固有のジェスチャーに変換し、ストリーミング実行する。

2. 先行研究と比べてどこがすごい？

- 既存のfoundation-model agentsはマルチモーダル推論と記憶に優れるが、身体性を欠く。 - 表現力豊かなvirtual agentsは物理的制約に直面しない。 - 物理的social robotsは社会的推論と身体的表現を部分的にしか扱わない。 - ARISEはこれらを統合し、社会的推論から身体的インタラクションまでのループを閉じる点が新しい。

3. 技術・手法の肝は？

- マルチモーダル文脈理解、長期記憶、反応的・能動的インタラクションを統合。 - いつ・何を伝えるかを決定する社会的意図の推論。 - 社会的意図をロボット固有のジェスチャー、音声、機械的顔表情に変換し、ストリーミング実行で協調。 - Sophia humanoid robot上で実装。

4. どうやって有効だと検証した？

- Sophia上での広範な評価を実施。 - 知覚されたインタラクション品質、表現力豊かで協調的な身体的振る舞い、ストリーミング実行による大幅なレイテンシ削減を実証。 - これらの結果から、何を伝えるか、いつ関与するか、どのように身体的に表現するかを共同で推論することの重要性を示した。

5. 議論はある？

- 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は明示されていない。 - 関連手法として、foundation-model agents、virtual agents、physical social robotsが挙げられる。 - 同分野の定番として、social human-robot interaction、embodied conversational agents、multimodal interaction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: Ziyu Cheng, Yuewen Guo, Zhirui Liu, Dong Zhang, Haotao Lu, Jingyi Yu, Ye Shi, Jingya Wang

分類: cs.RO

原文アブストラクト

Natural face-to-face human--robot interaction requires a robot to understand an evolving social situation, decide when to engage, and express its intent through coordinated physical behavior. Yet existing approaches rarely close this loop: foundation-model agents provide increasingly capable multimodal reasoning and memory but remain largely disembodied, while expressive virtual agents do not face the physical constraints of real robots, and physical social robots typically address social reasoning and embodied expression only partially. We present ARISE, a unified framework that bridges Agentic Reasoning and Interactive Social Embodiment on the Sophia humanoid robot. ARISE integrates multimodal context understanding, long-term memory, and reactive and proactive interaction to determine when and what to communicate, and translates social intent into robot-native gestures coordinated with speech and mechanical facial expressions through streaming execution. Extensive evaluations on Sophia demonstrate strong perceived interaction quality, expressive and well-coordinated embodied behavior, and substantial latency reductions through streaming execution. These results highlight the importance of jointly reasoning about what to communicate, when to engage, and how to physically express social intent for natural interaction with humanoid robots. Project Page: https://robosocial.github.io/

arXivで原文を読む →arXiv概要ページ

社会的推論から身体化インタラクションへ：ソーシャルロボットのためのエージェントフレームワーク

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？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell