[論文レビュー] Explicit World Models for Reliable Human-Robot Collaboration

Kenneth Kwok, Basura Fernando+4 more|arXiv (Cornell University)|Jan 5, 2026

Social Robot Interaction and HRI被引用数 0

ひとこと要約

論文は、人間とロボットの共通地盤として明示的な世界モデルを構築・更新することを提案し、 opaque なエンドツーエンドモデルに頼るよりも信頼性の高い文脈適応型の人間-ロボット協働を実現する。

ABSTRACT

This paper addresses the topic of robustness under sensing noise, ambiguous instructions, and human-robot interaction. We take a radically different tack to the issue of reliable embodied AI: instead of focusing on formal verification methods aimed at achieving model predictability and robustness, we emphasise the dynamic, ambiguous and subjective nature of human-robot interactions that requires embodied AI systems to perceive, interpret, and respond to human intentions in a manner that is consistent, comprehensible and aligned with human expectations. We argue that when embodied agents operate in human environments that are inherently social, multimodal, and fluid, reliability is contextually determined and only has meaning in relation to the goals and expectations of humans involved in the interaction. This calls for a fundamentally different approach to achieving reliable embodied AI that is centred on building and updating an accessible "explicit world model" representing the common ground between human and AI, that is used to align robot behaviours with human expectations.

研究の動機と目的

• End-to-end のブラックボックス制御から、明示的世界モデルに基づく信頼性ある協働への転換を動機づける。
• 共通地盤とマルチモーダルな地固めが解釈可能性と人間の目標との整合性をどう支えるかを強調する。
• 知覚的グラウンディング、共同注意、ネオシンボリックなアーキテクチャの既存研究を総括し、明示的な世界モデリングを動機づける。

提案手法

• 環境・状態・行動の明示的表現の基盤として、象徴的および神経-象徴的世界モデルを検討する。
• 明示的世界モデルが共通地盤として、HRCにおける曖昧さや主観的解釈を解決する方法を説明する。
• 知覚的グラウンディング、共同注意、マルチモーダル手掛かり、読みやすいロボット挙動に関する既存研究をレビューしてアプローチをサポートする。
• 人間-ロボット相互作用における社会的・マルチモーダルダイナミクスを捉えるための、明示的世界モデルの軽量かつリアルタイム更新を提案する。

実験結果

リサーチクエスチョン

• RQ1 明示的世界モデルは、どのように構築・維持され、人間-ロボット協働の共通地盤として機能できるか。
• RQ2 マルチモーダル手掛かり（凝視、ジェスチャ、プロソディ）と共同注意は、信頼できる明示的世界モデルの構築にどんな役割を果たすか。
• RQ3 神経-象徴的アーキテクチャは、明示的世界モデル内のHRCタスクに対して、解釈可能で検証可能な推論を提供できるか。

主な発見

• 明示的世界モデルは、状態と人間の意図の共有解釈にロボット挙動を結びつけることで、信頼性への道を提供する。
• 明示的で解釈可能な表現は、動的な人間環境において、エンドツーエンドの不透明モデルよりも曖昧さや主観性をより適切に解決できる。
• 象徴的・神経-象徴的・マルチモーダルな地固めの文献の統合は、HRCのための共通地盤を構築する道を支持する。
• リアルタイムで軽量な世界モデルは、社会的・マルチモーダルダイナミクスを捉えつつ応答性を損なわないために必要である。