身体化された曖昧性解消のための能動的知覚

本論文は、ロボットが自然言語指示に基づいて物体を特定する際、観測の欠落（遮蔽、視点制限、読めない文字、未観測のターゲットなど）による曖昧性を能動的な観測によって解消するフレームワークを提案している。既存の対話的曖昧性解消手法がユーザーへの質問に依存するのに対し、本手法は能動的観測を情報獲得の基盤とし、Vision-Language Model (VLM) を用いて蓄積された視覚的証拠と対話情報に基づき、観測継続・明確化要求・ターゲット選択の完了を決定する。実ロボット実験により、物理的な情報獲得とユーザー意図の明確化を統合した曖昧性解消プロセスを実証している。

先行研究のインタラクティブな曖昧性解消手法は、主にユーザーへの質問によって追加情報を得るが、本手法は能動的観測を主軸とし、観測によって欠落した識別証拠を直接回復できる点が新しい。さらに、観測によって物体名やラベル、意味的属性が明らかになることで、必要な場合のユーザーへの明確化の質も向上する。これにより、物理的な情報獲得とユーザー意図の明確化を単一の枠組みで統合した点が先行研究と比べて優れている。

手法の核は、能動的観測を情報獲得のバックボーンとし、VLM を用いて累積的な視覚証拠と対話情報に基づいて行動（観測継続、明確化要求、ターゲット選択）を決定する点にある。具体的には、ロボットが視点を変えたり、物体を操作したりして観測を能動的に変化させ、欠落した識別証拠を直接回復する。また、観測によって物体名やラベル、意味的属性が得られることで、ユーザーへの明確化が必要な場合でも、より具体的な質問が可能になる。

実ロボット実験によって有効性を検証している。実験では、遮蔽や視点制限、読めない文字、未観測のターゲットなど、曖昧性を生じる様々な状況を設定し、提案フレームワークが物理的な情報獲得とユーザー意図の明確化を統合して曖昧性を解消できることを示した。具体的な評価指標や比較対象は要旨からは不明だが、実環境での動作実証が行われている。

要旨からは、提案手法の限界や課題についての議論は不明である。ただし、能動的観測とユーザー明確化の統合は有望であるが、VLM の判断に依存するため、VLM の誤認識や計算コスト、実環境でのスケーラビリティなどが課題となる可能性が考えられる。また、能動的観測の行動空間の設計や、ユーザーとの対話の自然さなども議論の余地がある。

要旨で参照されている先行研究は明示されていないが、関連する分野として、インタラクティブな曖昧性解消（interactive disambiguation）、能動的知覚（active perception）、Vision-Language Model を用いたロボットナビゲーションや操作、Embodied AI の研究が挙げられる。具体的には、"Interactive Question Answering for Robot Task Specification" や "Active Visual Perception for Mobile Robots" などの論文が関連する。