Contexts Matter: Robot-Aware 3D human motion prediction for Agentic AI-empowered Human-Robot collaboration
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Agentic AI-integrated robots are essential for effective, efficient, and safe Human-Robot collaboration (HRC), where robots must accurately interpret human behavior by understanding the working context. However, current human motion prediction models often focus on task-related context and rarely consider the robot as an influencing factor in HRC. This study navigates different contexts in human motion prediction for Agentic AI-empowered HRC, and proposes a robot-aware deep learning framework that integrates robot and task context into prediction. This framework handles context and human motions separately within a long short-term memory (LSTM)-based two-branch model to predict human motions in HRC tasks. The influence of different contextual information (e.g., robot actions, task-related object location) on prediction performance is also examined. The framework was implemented in a handover task and the results show that the proposed model improved performance by 7.95% in Average Displacement Error (ADE) and 8.74% in Final Displacement Error (FDE), compared to the baseline (i.e., without context). The findings indicate that context integration is critical for anticipating human motions, and the robot is an important context in HRC. This study advances the understanding of context integration in human motion prediction and contributes to the comprehension of AI-integrated robots in real-world HRC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle