Anticipate & Collab: Data-driven Task Anticipation and Knowledge-driven Planning for Human-robot Collaboration

要約

人間の日常生活活動を支援するエージェントは、今後のタスクを予測することで、より効果的に協力することができる。データ駆動型手法は、タスク予測、プランニング、および関連する問題における最先端の技術であるが、これらの手法はリソースを消費し、不透明である。我々の先行研究では、LLMを用いて3つの高レベルタスクを予測する概念実証フレームワークを紹介した。このタスクは、古典的なプランニングシステムのゴールとなり、エージェントがこれらのゴールを達成するための低レベルアクションのシーケンスを計算する。本論文では、DaTAPlanについて述べる。DaTAPlanは、我々の先行研究を人間とロボットの協調に向けて大幅に拡張したフレームワークである。具体的には、DaTAPlanプランナーは、LLMによって予期されるタスクを共同で達成するために、エージェントと人間の行動を計算し、エージェントは、人間の行動結果や嗜好の予期せぬ変化に自動的に適応する。我々は、現実的なシミュレーション環境でDaTAPlanの能力を評価し、正確なタスク予測、効果的な人間とロボットの協調、予期せぬ変化への適応能力を実証する。プロジェクトウェブサイト：https://dataplan-hrc.github.io

要約(オリジナル)

An agent assisting humans in daily living activities can collaborate more effectively by anticipating upcoming tasks. Data-driven methods represent the state of the art in task anticipation, planning, and related problems, but these methods are resource-hungry and opaque. Our prior work introduced a proof of concept framework that used an LLM to anticipate 3 high-level tasks that served as goals for a classical planning system that computed a sequence of low-level actions for the agent to achieve these goals. This paper describes DaTAPlan, our framework that significantly extends our prior work toward human-robot collaboration. Specifically, DaTAPlan planner computes actions for an agent and a human to collaboratively and jointly achieve the tasks anticipated by the LLM, and the agent automatically adapts to unexpected changes in human action outcomes and preferences. We evaluate DaTAPlan capabilities in a realistic simulation environment, demonstrating accurate task anticipation, effective human-robot collaboration, and the ability to adapt to unexpected changes. Project website: https://dataplan-hrc.github.io

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL