Fugu-MT 論文翻訳(概要): AERoS: Assurance of Emergent Behaviour in Autonomous Robotic Swarms

論文の概要: AERoS: Assurance of Emergent Behaviour in Autonomous Robotic Swarms

arxiv url: http://arxiv.org/abs/2302.10292v1
Date: Mon, 20 Feb 2023 20:36:13 GMT
ステータス: 処理完了
システム内更新日: 2023-02-22 17:09:02.771664
Title: AERoS: Assurance of Emergent Behaviour in Autonomous Robotic Swarms
Title（参考訳）: AERoS:自律型ロボット群における創発的行動の保証
Authors: Dhaminda B. Abeywickrama, James Wilson, Suet Lee, Greg Chance, Peter D. Winter, Arianna Manzini, Ibrahim Habli, Shane Windsor, Sabine Hauert, Kerstin Eder
Abstract要約: 本稿の主な貢献は,AERoSと呼ばれる自律ロボット群における緊急行動の安全保証プロセスである。本研究では,公営クロークルームを運用するロボット群を対象としたケーススタディを用いて,提案手法を探索する。
参考スコア（独自算出の注目度）: 2.318699091264692
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The behaviours of a swarm are not explicitly engineered. Instead, they are an emergent consequence of the interactions of individual agents with each other and their environment. This emergent functionality poses a challenge to safety assurance. The main contribution of this paper is a process for the safety assurance of emergent behaviour in autonomous robotic swarms called AERoS, following the guidance on the Assurance of Machine Learning for use in Autonomous Systems (AMLAS). We explore our proposed process using a case study centred on a robot swarm operating a public cloakroom.
Abstract（参考訳）: Swarmの動作は明示的に設計されていない。むしろそれらは、個々のエージェント同士の相互作用と、その環境からの創発的な結果である。この突発的な機能は安全性の保証に挑戦する。本論文の主な貢献は,自律システム(AMLAS)における機械学習の保証に関するガイダンスに従って,自律型ロボット群(AERoS)における緊急行動の安全性を保証するプロセスである。我々は,公開クロークルームを運用するロボット群を中心としたケーススタディを用いて,提案手法を検討する。

関連論文リスト

Generative AI Agents in Autonomous Machines: A Safety Perspective [9.02400798202199]
生成AIエージェントは、非並列機能を提供するが、ユニークな安全性上の懸念もある。本研究では、生成モデルが物理自律機械にエージェントとして統合される際の安全要件の進化について検討する。我々は、自律機械で生成AI技術を使用するための総合的な安全スコアカードの開発と実装を推奨する。
論文参考訳（メタデータ） (2024-10-20T20:07:08Z)
HAICOSYSTEM: An Ecosystem for Sandboxing Safety Risks in Human-AI Interactions [76.42274173122328]
本稿では,多様な複雑な社会的相互作用におけるAIエージェントの安全性を調べるフレームワークであるHAICOSYSTEMを提案する。私たちは7つの領域(医療、金融、教育など)にわたる92のシナリオに基づいて1840のシミュレーションを実行します。我々の実験は、最先端のLSMは、プロプライエタリかつオープンソースの両方で、50%以上のケースで安全リスクを示すことを示した。
論文参考訳（メタデータ） (2024-09-24T19:47:21Z)
Safety Control of Service Robots with LLMs and Embodied Knowledge Graphs [12.787160626087744]
本稿では,大規模言語モデルとERCP(Embodied Robotic Control Prompts)とEKG(Embodied Knowledge Graphs)との新たな統合を提案する。 ERCPは、LLMが安全かつ正確な応答を生成するための事前定義された命令として設計されている。 EKGは、ロボットの動作が安全プロトコルと継続的に一致していることを保証する包括的な知識基盤を提供する。
論文参考訳（メタデータ） (2024-05-28T05:50:25Z)
Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文参考訳（メタデータ） (2024-05-14T09:42:21Z)
Analyze Drivers' Intervention Behavior During Autonomous Driving -- A VR-incorporated Approach [2.7532019227694344]
この研究は、自動運転車の運転に関わる人間のドライバーの介入行動を理解することに光を当てている。仮想リアリティ(VR)と交通マイクロシミュレーションを統合する実験環境が実装された。介入の確率、事故率などのパフォーマンス指標が定義され、リスクレベルを定量化し比較するために使用される。
論文参考訳（メタデータ） (2023-12-04T06:36:57Z)
ProAgent: From Robotic Process Automation to Agentic Process Automation [87.0555252338361]
LLM(Large Language Models)は、人間のような知性を持つ言語である。本稿では,ALMをベースとしたエージェントを用いた高度な自動化のための基盤的自動化パラダイムであるエージェントプロセス自動化(APA)を紹介する。そして、人間の指示を駆使し、特殊エージェントの調整によって複雑な決定を下すように設計されたエージェントであるProAgentをインスタンス化する。
論文参考訳（メタデータ） (2023-11-02T14:32:16Z)
Adapt On-the-Go: Behavior Modulation for Single-Life Robot Deployment [92.48012013825988]
展開中のシナリオにオンザフライで適応する問題について検討する。 ROAM(RObust Autonomous Modulation)は,事前学習した行動の知覚値に基づくメカニズムを提案する。 ROAMによりロボットはシミュレーションと実Go1の四足歩行の両方の動的変化に迅速に適応できることを示す。
論文参考訳（メタデータ） (2023-11-02T08:22:28Z)
Deception Game: Closing the Safety-Learning Loop in Interactive Robot Autonomy [7.915956857741506]
既存の安全手法は、ロボットが実行時に学習し適応する能力を無視することが多く、過度に保守的な行動を引き起こす。本稿では,ロボットの進化する不確実性を明示的に考慮した安全制御ポリシを合成するための,新しいクローズドループパラダイムを提案する。
論文参考訳（メタデータ） (2023-09-03T20:34:01Z)
When to Ask for Help: Proactive Interventions in Autonomous Reinforcement Learning [57.53138994155612]
強化学習の長期的な目標は、世界で自律的に対話し学習できるエージェントを設計することである。重要な課題は、ロボットアームが物体をテーブルから押し出したときなど、外部からの援助を必要とする不可逆状態の存在である。本研究では,非可逆状態の検出と回避を効率よく学習し,エージェントが侵入した場合に積極的に支援を求めるアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-10-19T17:57:24Z)
Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文参考訳（メタデータ） (2022-09-19T16:49:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。