Interactive Semantics-Enhanced Vision-Language Model-Driven Hypergraph Reasoning for Robotic Decision-Making in Proactive 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
Proactive human-robot collaboration (HRC), as a cognition-centric approach, aims to reason the dynamic process of tasks for proactive robotic decision-making, which can be represented through the spatiotemporal evolution of non-paired relationships. Most existing works rely solely on vision-driven knowledge graph methods to reason the spatiotemporal evolution. However, the spatiotemporal evolution of non-paired relationships involves the interaction of multimodal information, and understanding such interactions requires robust analytical capabilities, which poses challenges for proactive robotic decision-making. This paper proposes an interactive semantics-enhanced vision-language model-driven spatiotemporal hypergraph reasoning method (VLSHR) to reveal the spatiotemporal evolution of non-paired relationships. First, to understand vision-language semantics, we fine-tuned a vision-language large language model (LLM) with interactive semantics. Furthermore, vision-language semantics need to be transformed into a hypergraph structure that can represent non-paired relationships. To reason the spatiotemporal evolution of non-pairwise relationships in HRC, we define temporal hyperedges, spatial hyperedges, and task hyperedges, coupling the affiliations of nodes with different types of hyperedges to construct a spatiotemporal hypergraph for HRC tasks. Then, a spatiotemporal hypergraph neural network is developed to reason the spatiotemporal evolution of non-pairwise relationships for proactive robotic decision-making. Finally, a case study on HRC assembly tasks demonstrates the effectiveness of the proposed method.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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