要約
効果的なヒューマンロボットコラボレーションには、ロボットが人間のニーズ、タスク要件、複雑さに基づいて、役割とサポートレベルを採用する必要があります。
従来のヒューマンロボットチームは、多くの場合、事前に決定されたロボット通信スキームに依存しており、複雑なタスクにおけるチームワークの適応性を制限します。
大規模な言語モデル（LLMS）の強力なコミュニケーション機能を活用すると、言語の頻度と内容を調整することで人間とロボットの相互作用を強化するように設計されたマルチモーダル言語フィードバック（HRT-ML）を使用したヒューマンロボットチームのフレームワークを提案します。
ベースのフィードバック。
HRT-MLフレームワークには、2つのコアモジュールが含まれています。高レベルで低周波戦略的ガイダンスのコーディネーターと、サブタスク固有の高周波命令のマネージャーで、人間のチームメイトとのパッシブおよびアクティブな相互作用を可能にします。
共同シナリオでの言語フィードバックの影響を評価するために、さまざまなレベルのタスクの複雑さ（イージー、ミディアム、ハード）およびフィードバック頻度（非アクティブ、パッシブ、アクティブ、スーパーアクティブ）で、強化された過度に調理された環境で実験を実施しました。
私たちの結果は、タスクの複雑さが人間の能力に比べて増加するにつれて、人間のチームメイトが頻繁で積極的なサポートを提供できるロボットエージェントよりも強い好みを示したことを示しています。
ただし、タスクの複雑さがLLMの容量を超えると、スーパーアクティブロボットエージェントからのノイズの多いフィードバックが代わりにチームのパフォーマンスを妨げる可能性があります。これは、人間のチームメイトがパフォーマンスのリターンが限られている多数のコミュニケーションを解釈して対応する努力を増やす必要があるためです。
私たちの結果は、ロボットエージェントがコミュニケーションのレベルと頻度を動的に調整して、人間とシームレスに連携し、チームのパフォーマンスを向上させるための一般的な原則を提供します。
要約(オリジナル)
Effective human-robot collaboration requires robot to adopt their roles and levels of support based on human needs, task requirements, and complexity. Traditional human-robot teaming often relies on a pre-determined robot communication scheme, restricting teamwork adaptability in complex tasks. Leveraging strong communication capabilities of Large Language Models (LLMs), we propose a Human-Robot Teaming Framework with Multi-Modal Language feedback (HRT-ML), a framework designed to enhance human-robot interaction by adjusting the frequency and content of language-based feedback. HRT-ML framework includes two core modules: a Coordinator for high-level, low-frequency strategic guidance, and a Manager for subtask-specific, high-frequency instructions, enabling passive and active interactions with human teammates. To assess the impact of language feedback in collaborative scenarios, we conducted experiments in an enhanced Overcooked environment with varying levels of task complexity (easy, medium, hard) and feedback frequency (inactive, passive, active, superactive). Our results show that as task complexity increases relative to human capabilities, human teammates exhibited a stronger preference towards robotic agents that can offer frequent, proactive support. However, when task complexities exceed the LLM’s capacity, noisy and inaccurate feedback from superactive robotic agents can instead hinder team performance, as it requires human teammates to increase their effort to interpret and respond to a large number of communications, with limited performance return. Our results offer a general principle for robotic agents to dynamically adjust their levels and frequencies of communications to work seamlessly with humans and achieve improved teaming performance.
arxiv情報
| 著者 | Shipeng Liu,FNU Shrutika,Boshen Zhang,Zhehui Huang,Gaurav Sukhatme,Feifei Qian |
| 発行日 | 2025-02-11 18:52:51+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google