継続学習2026/8/13arXiv:2608.13448v1

文脈に注意：環境-社会的切り離しによる社会的に適切なロボット行動の継続学習

Mind the Context: Continual Learning of Socially Appropriate Robot Actions via Environmental-Social Disentanglement

ロボットが多様な環境で社会的に適切な行動を継続学習するための、環境情報と社会的エージェント情報を明示的に分離する二重分岐フレームワーク（EDD）を提案し、忘却を軽減しつつ複数の屋内領域での行動適切性を学習する。

詳しい要約

1. どんなもの？

本論文は、社会的ロボットが多様な環境で文脈に応じた適切な行動を継続学習するためのフレームワークを提案する。具体的には、環境的手がかり（空間の開放性や家具の配置）と社会的エージェントの位置関係などの社会的合図を明示的に分離して学習するExplicit Disentanglement Dual-Branch (EDD)フレームワークを導入する。EDDは、リプレイベースのリハーサルを用いて、複数の屋内ドメイン（リビングルーム、会議室、オフィス、廊下など）にわたってロボット行動（掃除、給仕、会話開始など）の適切性を学習する際の破滅的忘却を軽減する。

2. 先行研究と比べてどこがすごい？

先行研究では、社会的に適切なロボット行動の生成における継続学習が研究されてきたが、ロボットが多様な文脈（ドメイン）を逐次的に経験するドメイン増分設定は扱われていなかった。本論文は、環境と社会的合図が共同で行動の適切性を形成する状況に焦点を当て、これらを明示的に分離する点が新しい。また、既存のベースラインを上回る性能を示し、アブレーション研究により分離戦略とドメイン順序への感度を評価している。

3. 技術・手法の肝は？

EDDフレームワークは、環境知識と社会的エージェント関連知識を明示的に分離するデュアルブランチ構造を持つ。各ブランチはそれぞれの情報を処理し、統合して行動の適切性を予測する。忘却を防ぐためにリプレイベースのリハーサルを使用し、過去のサンプルを再生して学習を安定させる。また、ドメイン増分設定での学習を想定し、ドメイン順序の影響を考慮している。

4. どうやって有効だと検証した？

実験では、複数の屋内ドメインを含むデータセットを用いて、提案手法を複数のstate-of-the-artベースラインと比較した。その結果、EDDがベースラインを上回る性能を示した。さらに、アブレーション研究により、異なる分離戦略とドメイン順序への感度を評価し、各コンポーネントの有効性を検証した。

5. 議論はある？

要旨からは、提案手法の限界や社会的影響についての議論は不明である。また、実験の詳細（データセットの規模、実ロボットでの検証など）や、分離の明示性がどの程度有効であるかについての深い考察は要旨には含まれていない。

6. 次に読むべき論文は？

要旨で参照されている先行研究は、社会的に適切なロボット行動の生成における継続学習に関する研究である。具体的な論文名は不明だが、同分野の定番として、継続学習の手法（EWC、LwFなど）や社会的ロボットの行動生成に関する研究が挙げられる。また、リプレイベースの手法やドメイン増分学習に関する論文が関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Rafal Robert Karpinski, Fethiye Irmak Dogan, Nikhil Churamani, Yiming Luo, Maartje M. A. de Graaf, Davide Dell'Anna, Hatice Gunes

分類: cs.RO

原文アブストラクト

Social robots are expected to operate across diverse environments, where similar arrangements can imply different socially appropriate actions, e.g., starting a conversation may be acceptable in a crowded home but disruptive in an office meeting. Because such norms and environments cannot all be anticipated in advance, robots require continual learning (CL) to adapt from sequential experience while retaining previously acquired knowledge. Prior work has studied CL for generating socially appropriate robot actions, but it has not addressed domain-incremental settings in which the robot incrementally encounters diverse contexts (e.g., living room, meeting room, office, hallway), where both environmental (e.g., whether the space is open or cluttered with furniture) and social cues (e.g., how people or other agents are positioned around the robot) jointly shape the appropriateness of robot actions. We address this gap with the Explicit Disentanglement Dual-Branch (EDD) framework. EDD explicitly separates environmental and social-agent related knowledge and uses replay-based rehearsal to mitigate forgetting while learning the appropriateness of robot actions (e.g., cleaning, serving, starting a conversation) across several indoor domains. Experiments show that EDD outperforms several state-of-the-art baselines, and ablation studies further evaluate different disentanglement strategies and the sensitivity to domain ordering. Our code is publicly available at https://github.com/Cambridge-AFAR/Mind-the-Context.git.

arXivで原文を読む →arXiv概要ページ

← 論文一覧