日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
データセット/マルチモーダルarXiv:2609.09023

DYAD: 共在する人間支援のマルチモーダルデータセット

DYAD: A Multimodal Dataset of Co-Located Human Assistance

シェア:XThreadsFacebookLINEはてブBluesky

ギアボックス組立作業中に、訓練されたヘルパーがHoloLens 2装着者を支援する際の、言語的・物理的介入と作業者の要求・タスク状態・結果を同期記録したデータセットを構築し、支援プロセスの因果理解・モード予測・応答生成のベンチマークを提供した。

詳しい要約

1. どんなもの?

DYADは、ギアボックス組立作業中の人間同士の支援を記録したマルチモーダルデータセットである。20セッションで、訓練されたヘルパーがHoloLens 2装着者を支援し、528のタスクステップ区間、611のパフォーマー要求、851の有効な支援記録(言語的・物理的支援を含む)をリンクする。支援プロセス全体にわたるアノテーションを提供し、タスク状態、支援トリガー、結果を関連付ける。

2. 先行研究と比べてどこがすごい?

既存の手続き的データセットは個人の実行を詳細に記述するが、対話的データセットは遠隔の言語指示や未分化な共同作業を捉える。DYADは、同位置にいるヘルパーの言語的・物理的介入を、パフォーマーの要求、タスク状態、支援トリガー、結果と関連付ける点で独自性がある。

3. 技術・手法の肝は?

DYADは、ガイダンス優先ポリシーに従う訓練されたヘルパーがHoloLens 2装着者を支援するセッションを同期マルチモーダル記録する。アノテーションは支援プロセス全体を網羅し、因果的ステップ理解、発症前モード予測、インストラクター応答生成の3つの参照タスクを提供する。

4. どうやって有効だと検証した?

829の該当モードイベントに対して、4シードRGB平均で0.548±0.007のmacro-F1を達成。因果メタデータでは0.624、特権トリガーマッピングでは0.915に達し、発症前RGBからは回復できない情報を明らかにした。

5. 議論はある?

要旨からは、データセットの規模は大きくないが、リンクされた相互作用構造が重要であると述べられている。また、RGBのみでは不十分で、因果メタデータや特権トリガーが性能向上に寄与することが示唆される。

6. 次に読むべき論文は?

要旨で参照されている既存の手続き的データセットや対話的データセット、および関連する支援ロボティクスやマルチモーダル学習の研究が挙げられる。具体的には、既存の手続き的データセット(例:Assembly101)や対話的データセット(例:You2Me)などが関連する。

※ 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: Akhil Ajikumar, Mahya Qorbani, Sakib Reza, Sean Andrist, Mohsen Moghaddam

分類: cs.RO

原文アブストラクト

An embodied assistant working beside a person must track task state, recognize help seeking, choose how to intervene, and produce an appropriate response. Existing procedural datasets richly describe individual execution, while interactive datasets capture remote verbal instruction or undifferentiated co-working. They do not jointly link a co-located helper's verbal and physical interventions to performer requests, task state, assistance triggers, and outcomes. We introduce DYAD (DYadic Assistance Dataset), a synchronized multimodal record of human-human assistance during gearbox assembly. Across 20 sessions, one trained helper follows a guidance-first policy while assisting HoloLens 2 wearers. DYAD links 528 task-step intervals and 611 performer requests with 851 valid assistance records spanning verbal and physical help. DYAD's annotations span the assistance process; three reference tasks evaluate selected components rather than an end-to-end system: causal step understanding, pre-onset mode anticipation, and instructor response generation. On 829 eligible mode events, the strongest four-seed RGB mean is 0.548 +/- 0.007 macro-F1; causal metadata reaches 0.624 and a privileged trigger mapping 0.915, revealing information not recovered from pre-onset RGB. DYAD's contribution is not scale, but a linked interaction structure spanning help seeking, intervention choice, execution, and outcome under egocentric and workspace sensing.