論文の概要: RisConFix: LLM-based Automated Repair of Risk-Prone Drone Configurations

• arxiv url: http://arxiv.org/abs/2512.07122v1
• Date: Mon, 08 Dec 2025 03:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.69098
• Title: RisConFix: LLM-based Automated Repair of Risk-Prone Drone Configurations
• Title（参考訳）: RisConFix:LLMによるリスク対応ドローン構成の自動修復
• Authors: Liping Han, Tingting Nie, Le Yu, Mingzhe Hu, Tao Yue,
• Abstract要約: 本稿では,リスクの高い構成をリアルタイムに修復するための大規模言語モデルに基づくアプローチを提案する。 RisConFixはドローンの動作状態を監視し、自動的に修理機構を起動する。 RisConFixは97%の最高の修理成功率と1.17の修理平均数を達成した。
• 参考スコア（独自算出の注目度）: 3.886601205990569
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flight control software is typically designed with numerous configurable parameters governing multiple functionalities, enabling flexible adaptation to mission diversity and environmental uncertainty. Although developers and manufacturers usually provide recommendations for these parameters to ensure safe and stable operations, certain combinations of parameters with recommended values may still lead to unstable flight behaviors, thereby degrading the drone's robustness. To this end, we propose a Large Language Model (LLM) based approach for real-time repair of risk-prone configurations (named RisConFix) that degrade drone robustness. RisConFix continuously monitors the drone's operational state and automatically triggers a repair mechanism once abnormal flight behaviors are detected. The repair mechanism leverages an LLM to analyze relationships between configuration parameters and flight states, and then generates corrective parameter updates to restore flight stability. To ensure the validity of the updated configuration, RisConFix operates as an iterative process; it continuously monitors the drone's flight state and, if an anomaly persists after applying an update, automatically triggers the next repair cycle. We evaluated RisConFix through a case study of ArduPilot (with 1,421 groups of misconfigurations). Experimental results show that RisConFix achieved a best repair success rate of 97% and an optimal average number of repairs of 1.17, demonstrating its capability to effectively and efficiently repair risk-prone configurations in real time.
• Abstract（参考訳）: 飛行制御ソフトウェアは通常、複数の機能を管理する多数の構成可能なパラメータで設計され、ミッションの多様性と環境の不確実性への柔軟な適応を可能にする。 開発者やメーカーは通常、安全で安定した操作を保証するためにこれらのパラメータを推奨するが、推奨値のパラメータの組み合わせによって、不安定な飛行行動がもたらされる可能性があるため、ドローンの堅牢性は低下する。 この目的のために,ドローンのロバスト性を劣化させるリスクの高い構成(RisConFix)をリアルタイムに修復するためのLarge Language Model (LLM) ベースのアプローチを提案する。 RisConFixはドローンの動作状態を継続的に監視し、異常な飛行行動を検出すると自動的に修理機構を起動する。 修理機構はLLMを利用して構成パラメータと飛行状態の関係を分析し、その後修正パラメータを更新して飛行安定性を回復する。 RisConFixは、更新された設定の妥当性を保証するために、反復的なプロセスとして動作し、ドローンの飛行状態を継続的に監視し、更新を適用した後に異常が持続すると、次の修理サイクルが自動的にトリガーされる。 我々はArduPilotのケーススタディを用いてRisConFixを評価した。 実験結果から,RisConFixは97%の修復成功率と1.17の平均修理回数を達成できた。

関連論文リスト

• ADReFT: Adaptive Decision Repair for Safe Autonomous Driving via Reinforcement Fine-Tuning [22.803044962152878]
  自律運転システムに対する適応決定修復(ADreFT)を提案する。 ADReFTは、失敗するテストからのオフライン学習を通じて安全クリティカルな状態を識別し、適切な緩和アクションを生成する。 評価結果から,ADReFTによる補修性能の向上が示唆された。
  論文  参考訳（メタデータ） (2025-06-30T15:29:36Z)
• Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
  AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。 さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
  論文  参考訳（メタデータ） (2025-05-28T20:22:43Z)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• RepairLLaMA: Efficient Representations and Fine-Tuned Adapters for Program Repair [6.8144965833113815]
  そこで我々は,APRの最適なコード表現を微調整モデルで識別する新しいプログラム修復手法であるRe repairLLaMAを提案する。 これにより、AIでバグを修正するのに非常に効果的なプログラム修復アダプタが提供される。 全体として、Re repairLLaMAは144のDefects4J v2、109のHumanEval-Java、20のGitBug-Javaバグを正しく修正する。
  論文  参考訳（メタデータ） (2023-12-25T11:39:46Z)
• Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
  本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。 まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。 次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
  論文  参考訳（メタデータ） (2021-11-18T23:21:00Z)
• Runtime Safety Assurance Using Reinforcement Learning [37.61747231296097]
  本稿では,安全でない状況を高精度に識別できるメタコントローラを設計することを目的とする。 我々は,RTSAの設計をマルコフ決定プロセス(MDP)と組み合わせ,強化学習(RL)を用いて解決する。
  論文  参考訳（メタデータ） (2020-10-20T20:54:46Z)
• Learning Stabilizing Controllers for Unstable Linear Quadratic Regulators from a Single Trajectory [85.29718245299341]
  線形2次制御器(LQR)としても知られる2次コストモデルの下で線形制御器を研究する。 楕円形不確実性集合内の全ての系を安定化させる制御器を構成する2つの異なる半定値プログラム(SDP)を提案する。 高い確率で安定化コントローラを迅速に識別できる効率的なデータ依存アルゴリズムであるtextsceXplorationを提案する。
  論文  参考訳（メタデータ） (2020-06-19T08:58:57Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。