💻 computer science

ARIS: Agentic and Relationship Intelligence System for Social Robots

本論文は、多モーダル推論、グラフベースの社会的世界モデル、および検索拡張生成を統合したモジュール型エージェントAIフレームワーク「ARIS」を紹介し、これにより社会ロボットがユーザーとの文脈に根ざした長期的な関係を維持できるようになり、Pepperロボットを用いたユーザー調査においてベースラインモデルと比較して著しく高い知性度と親しみやすさを示したことを明らかにする。

原著者： Stavya Datta, Fucai Ke, Leimin Tian, Hamid Rezatofighi

公開日 2026-05-05

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Stavya Datta, Fucai Ke, Leimin Tian, Hamid Rezatofighi

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

社会ロボットがチャットボットのように話すだけでなく、あなたを「記憶」し、友人との関係を理解し、過去の会話を圧倒されることなく思い出すようなロボットを想像してみてください。それが、Pepper ロボットのような社会ロボット向けに設計された新しい「脳」、ARIS（Agentic and Relationship Intelligence System：自律的かつ関係性知能システム）の目標です。

以下に、ARIS の仕組みを簡単な比喩を用いて解説します。

1. 課題：「金魚」のようなロボット

現在の社会ロボットは、非常に短い記憶力を持つ金魚のようです。数分間なら会話できますが、数時間話したり、友人を連れて来たりすると混乱してしまいます。友人が誰だったかを忘れ、昨日何について話したかを覚えておらず、あなたと友人が「チーム」であることを理解するのに苦労します。また、一度にすべてを記憶しようとするため、会話が長くなると遅くなり、鈍重になります。

2. 解決策：ARIS

研究者たちはこれらの問題を解決するために ARIS を構築しました。ARIS をロボット内部に座る超整理された個人アシスタントと想像してください。これには 3 つの主なスーパーパワーがあります。

A. 「社会的マップ」（社会的世界モデル）

ロボットが壁に描かれた巨大で生きたマインドマップ（グラフ）を持っていると想像してください。

仕組み: あなたがロボットに会うたびに、ロボットはあなたのための点を描きます。友人の「サラ」について言及すれば、サラのための点も描き、2 つの点を「友人」というラベルのついた線で結びます。
重要性: 来週戻ってきたとき、ロボットは単に見知らぬ人を見るのではなく、マップを見て、あなたとサラを結ぶ線を確認し、「ああ、これはサラと付き合っている人だ」と瞬時に理解します。これにより、ロボットは（「夫」「上司」「親友」などの）関係を理解し、多数の異なる会話の後でも人々を追跡できます。

B. 「賢い司書」（検索拡張生成）

ロボットが過去に交わしたすべての会話の図書館を持っていると想像してください。

従来の方法（RAG 非採用）: 質問をすると、古いロボットは答えを見つけるために図書館のすべての本を表紙から裏表紙まで読み通そうとします。図書館に 1 万冊の本があれば、これには永遠に時間がかかり、ロボットは疲れてしまいます（応答速度の低下）。
ARIS の方法（RAG 採用）: ARIS は賢い司書のように機能します。質問されると、司書は図書館全体を読みません。代わりに、タイトルを素早くスキャンし、答えを出すために最も関連性の高い上位 20 冊（および最も最近の 20 冊）だけを抜き出します。
結果: 何年分の会話を蓄積しても、ロボットは素早く機敏なままです。データの膨大な量に圧倒されることはありません。

C. 「体と目」（マルチモーダル推論）

ARIS は単なる箱の中の声ではなく、ロボットの目と体を脳に接続します。

目: あなたが赤い帽子をかぶっていれば、ロボットの視覚システムがそれを見て脳に「ねえ、赤い帽子をかぶっているよ」と伝えます。ロボットはその後、「その赤い帽子いいね！」と言います。
体: ハイタッチを求められれば、ロボットは単に「わかった」と言うだけでなく、実際に腕を上げてハイタッチを返します。
脳: 「推論器」は、その瞬間の状況に基づいて、いつ目を使い、いつ体を動かし、いつ単に話すかを決定します。

3. 検証：機能したか？

研究者たちは、Pepper ロボットを使用して 23 人の被験者でこのシステムをテストしました。ARIS ロボットを、記憶マップや賢い司書を持たない基本的な AI チャットボットのみを使用する標準ロボットと比較しました。

結果:

賢さの向上: 人々は ARIS ロボットの方が明らかに賢く、より生き生きとしている（アニマシー）と感じました。
人間らしさ: 人々は ARIS ロボットの方がより人間らしい（アンソロポモーフィズム）と感じました。機械というよりは、社会的な伴侶のように感じられました。
好意: 人々は単に ARIS ロボットをより好みました。
記憶の勝利: 参加者がパートナーを紹介した際、ARIS ロボットは標準ロボットよりもはるかに良く、パートナーの名前と関係を記憶しました。
速度の勝利: 会話履歴を人工的に数千メッセージにまで引き伸ばしても、ARIS ロボットは速さを保ちましたが、標準ロボットは這うように遅くなりました。

まとめ

要約すると、ARIS はロボットに長期的な記憶、人間関係のマップ、そして自身の履歴を賢く検索する方法を与えます。これにより、ロボットは離れるたびにすべてを忘れる道具というよりは、あなたの話を覚えており、あなたの友人を知り、疲れずに長く深い会話についていける友人のように感じられるようになります。

技術概要：ARIS – 社会ロボットのためのエージェント型および関係性知能システム

1. 問題提起

基盤モデル（LLM および VLM）は、より豊かな知覚とコミュニケーションを可能にすることで社会ロボットを強化してきたが、現在のシステムは、大規模な多ターンエンゲージメント、社会的関係性の推論、および文脈に根ざした対話において決定的な限界に直面している。既存のアーキテクチャは主にタスク実行や物理的操作を対象としており、社会的知能をターゲットとしていない。その結果、ロボットは以下の点で苦戦している：

個人間の社会的関係（例：家族、同僚）を表現したり推論したりすること。
有限なコンテキストウィンドウと増加する推論遅延により、高密度で長期的な相互作用において、歴史的整合性と反応性を維持すること。
統合されたフレームワーク内で社会的認知と物理的具現化を統合すること。

2. 手法

著者は、マルチモーダル推論、グラフベースの社会世界モデル（Social World Model）、および検索拡張生成（RAG）を統合するように設計されたモジュール型エージェント AI フレームワークである**ARIS（Agentic and Relationship Intelligence System）を提案する。このシステムは、エッジ - クライアント - サーバーアーキテクチャを用いてPepper ロボット（v1.8）**上に展開されている。

2.1 システムアーキテクチャ

エッジ（ロボット）： Pepper ロボットはユーザーインターフェースとして機能し、音声・視覚ストリームを捕捉し、物理的動作（ジェスチャー、ダンス）を実行する。
クライアント： Raspberry Pi 5 が音声・視覚ストリームを gRPC パケットにカプセル化して送信する。
サーバー： 入力処理を行う NVIDIA RTX 4090 サーバー。音声書き起こしにWhisper-large-v3を、推論にGrok 2 LLM を利用する。
モジュール型推論エンジン： 「Reasoner」モジュールが API ライブラリを参照し、文脈に基づいて適切な動作（音声、視覚、または物理的具現化）を選択する。

2.2 中核コンポーネント

A. 社会世界モデル（SWM）

構造： ノードがPerson ノード（ユーザー）を表し、エッジが関係性（例：友人、家族）を表すグラフベースの知識グラフ（Neo4j）。
機能： システムは LLM を用いて対話から関係性の手がかりを抽出し、接続を推論する（例：「X は Y の上司である」）。Cypher クエリを介してグラフを更新し、未知のユーザーには新しいノードを作成するか、Levenshtein 距離を用いた名前一致により既存のノードをマージする。
属性： モデルは特定の Person ノードにリンクされたユーザー属性（興味、職業）を格納し、パーソナライズされた相互作用を可能にする。

B. RAG ベースの音声パイプライン

設計： コンテキストウィンドウの制限と計算コストに対処するため、ARIS は RAG パイプラインを採用する。会話履歴は、Person ノードにリンクされたMessage ノード（ユーザー入力＋ロボット応答）として格納される。
検索戦略： 入力を受け取ると、システムは以下のものを検索する：
1. 即座の連続性のための直近のメッセージ 20 件。
2. 文脈を提供するための意味的に最も近いメッセージ 20 件（1536 次元の OpenAI 埋め込みと HNSW インデックスを使用）。
3. 検索されたメッセージの直前のものおよび直後のものを含め、合計コンテキストを80 メッセージに制限する。
実行： 検索されたコンテキストを LLM（Grok 2）に供給して応答を生成し、それをグラフに追加する。

C. マルチモーダル統合

視覚： 視覚的コンテキストが必要な場合、視覚言語モデル（Grok-2-Vision）がキャプション生成器として機能する。
再識別（ReID）： モジュールが 15 フレームを多数決処理して個人に固有の顔 ID を割り当て、SWM の Person ノードとリンクする。

3. 主要な貢献

本論文は、3 つの主要な貢献を概説している：

HRI 向け社会世界モデル： 人間同士の関係を明示的にマッピングし更新するグラフベースの表現。これにより、ロボットは社会的つながりを追跡し、遭遇間でユーザーを再識別し、関係性データに根ざした文脈認識型対話を生成できる。
効率的な RAG パイプライン： ハイブリッドな意味検索と鮮度認識型検索を用いた新規検索メカニズム。これにより、ロボットは数千回のやり取りにわたって文脈に根ざした対話を維持しつつ、遅延と応答の関連性を一定範囲内に保つことができる。
システム統合と検証： これらのコンポーネントを音声、視覚、物理的動作を調整するモジュール型エージェントアーキテクチャに統合。LLM のみのベースラインに対して実証的に検証された。

4. 実験結果

著者は、ユーザー調査（ $N=23$ ）とスケーラビリティシミュレーションの 2 つの実験を実施した。

4.1 ユーザー調査（仮説 H1）

参加者はペア（二項対）でロボットと相互作用し、ARIS システムとLLM のみのベースライン（SWM、ReID、物理的具現化を欠く）を比較した。

指標： 知性の知覚、生気、擬人化、親しみやすさ（Godspeed 質問紙）。
結果： ARIS はすべての指標においてベースラインを有意に上回った：
- 擬人化： $d = 1.05$ （大効果、 $p < 0.001$ ）。
- 知性： $d = 0.74$ （中効果、 $p = 0.0018$ ）。
- 生気： $d = 0.70$ （中効果、 $p = 0.003$ ）。
- 親しみやすさ： $d = 0.46$ （小～中効果、 $p = 0.0398$ ）。
SWM の性能： 「2 番目に相互作用する」参加者の 12 人中 7 人が ARIS によって正しく認識され、9 人がロボットが「私のパートナーについて知っていた」と報告した。これはベースラインの認識率と比べて有意に高かった。

4.2 RAG 対非 RAG スケーラビリティ（仮説 H2）

著者は、メッセージ履歴を最大 14,000 件まで複製することで高密度な会話をシミュレートした。

遅延： 非 RAG パイプラインは推論時間の線形から超線形な成長を示し、14,000 メッセージで10,000 msを超えた。一方、RAG パイプラインは履歴サイズに関わらず4,000 ms 未満の制限された遅延を維持した。
出力品質： RAG と非 RAG の出力間のコサイン類似度は**83.54%**であり、選択的検索がフル履歴アクセスと同等の応答関連性を維持することを示唆している。

5. 意義と主張

本論文は、ARIS が具現化された推論と構造化された記憶の統合が、ロボットにおける社会的相互作用の進展に価値を示すことを主張している。社会的推論、マルチモーダル知覚、文脈検索を統合することで、このシステムは標準的な LLM のみのベースラインに対して、ユーザーエンゲージメントと知性の知覚において測定可能な改善を達成する。

著者は、そのアプローチが費用対効果が高いことを強調しており、文脈上必要な場合のみ視覚言語モデルを呼び出し、トークン消費を削減するために RAG 検索を制限している。彼らは ARIS を、現実世界の環境で「濃厚な対話の深さ」と持続的かつ社会的に意識されたエンゲージメントを可能にするロボットへの一歩として位置づけている。

認められた限界：

個々のコンポーネントの寄与を分離するための形式的なアブレーション研究が評価に欠けている。
スケーラビリティテストは有機的な長期的対話ではなく、合成された複製メッセージを使用しており、意味的なドリフトを完全に捉えていない可能性がある。
サンプルサイズ（ $N=23$ ）は modest（小規模）であり、システムは単一のロボットプラットフォーム（Pepper）でテストされた。

実装は、公開時にオープンソースとしてリリースされる予定である。