論文の概要: SPOC: Safety-Aware Planning Under Partial Observability And Physical Constraints

• arxiv url: http://arxiv.org/abs/2602.21595v1
• Date: Wed, 25 Feb 2026 05:44:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.694325
• Title: SPOC: Safety-Aware Planning Under Partial Observability And Physical Constraints
• Title（参考訳）: SPOC:部分的可観測性と物理的制約下における安全意識の計画
• Authors: Hyungmin Kim, Hobeom Jeon, Dohyung Kim, Minsu Jang, Jeahong Kim,
• Abstract要約: SPOCは安全に配慮したタスク計画のためのベンチマークである。 厳密な部分的可観測性、物理的制約、ステップバイステップ計画、目標条件に基づく評価を統合する。
• 参考スコア（独自算出の注目度）: 4.277676926546314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embodied Task Planning with large language models faces safety challenges in real-world environments, where partial observability and physical constraints must be respected. Existing benchmarks often overlook these critical factors, limiting their ability to evaluate both feasibility and safety. We introduce SPOC, a benchmark for safety-aware embodied task planning, which integrates strict partial observability, physical constraints, step-by-step planning, and goal-condition-based evaluation. Covering diverse household hazards such as fire, fluid, injury, object damage, and pollution, SPOC enables rigorous assessment through both state and constraint-based online metrics. Experiments with state-of-the-art LLMs reveal that current models struggle to ensure safety-aware planning, particularly under implicit constraints. Code and dataset are available at https://github.com/khm159/SPOC
• Abstract（参考訳）: 大規模言語モデルによる身体的タスクプランニングは、部分的な可観測性と物理的な制約を尊重しなければならない現実世界環境での安全性上の課題に直面します。 既存のベンチマークはしばしばこれらの重要な要因を見落とし、実現可能性と安全性の両方を評価する能力を制限する。 本研究では,厳密な部分的可観測性,物理的制約,ステップバイステップ計画,目標条件に基づく評価を統合した安全対応型タスク計画のベンチマークであるSPOCを紹介する。 火災、流体、損傷、物体の損傷、汚染などの多様な家庭の危険をカバーし、SPOCは州と制約に基づくオンライン指標の両方を通じて厳密な評価を可能にしている。 最先端のLLMを使った実験では、現在のモデルは特に暗黙の制約の下で、安全に配慮した計画の確保に苦慮していることが明らかになっている。 コードとデータセットはhttps://github.com/khm159/SPOCで入手できる。

関連論文リスト

• Safe-Night VLA: Seeing the Unseen via Thermal-Perceptive Vision-Language-Action Models for Safety-Critical Manipulation [9.129204825142077]
  ロボットが見えないものを見ることができるマルチモーダル操作フレームワークであるSafe-Night VLAを提案する。 具体的には、Safe-Night VLAは、長波長赤外線熱知覚を事前訓練された視覚言語バックボーンに統合する。 我々は,フランカマニピュレータを用いた実世界の実験を通じて,我々の枠組みを検証する。
  論文  参考訳（メタデータ） (2026-03-05T23:26:44Z)
• Seeing is Believing: Belief-Space Planning with Foundation Models as Uncertainty Estimators [34.28879194786174]
  オープンワールド環境における汎用的なロボット移動操作は、長い地平線、複雑な目標、部分的な観測可能性といった大きな課題を生んでいる。 これらの課題に対処するための有望なアプローチは、タスクプランナーがこれらのスキルをシーケンスして、構造化言語で指定された目標を達成する、パラメータ化されたスキルのライブラリを計画することである。 本稿では、視覚言語モデルを利用して不確実性を推定し、シンボリックグラウンド化を促進する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-04T07:48:53Z)
• Graphormer-Guided Task Planning: Beyond Static Rules with LLM Safety Perception [4.424170214926035]
  本稿では,大規模言語モデルと構造化安全モデリングを組み合わせたリスク対応タスク計画フレームワークを提案する。 提案手法は,空間的および文脈的危険因子を抽出し,動的セマンティック安全グラフを構築する。 既定の安全性制約に依存する既存の手法とは異なり、我々のフレームワークはコンテキスト認識型リスク認識モジュールを導入している。
  論文  参考訳（メタデータ） (2025-03-10T02:43:54Z)
• Safety Margins for Reinforcement Learning [53.10194953873209]
  安全マージンを生成するためにプロキシ臨界度メトリクスをどのように活用するかを示す。 Atari 環境での APE-X と A3C からの学習方針に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-07-25T16:49:54Z)
• Enforcing Hard Constraints with Soft Barriers: Safe Reinforcement Learning in Unknown Stochastic Environments [84.3830478851369]
  本研究では,環境を協調的に学習し,制御ポリシーを最適化する安全な強化学習手法を提案する。 本手法は, 安全性の制約を効果的に適用し, シミュレーションにより測定したシステム安全率においてCMDPベースのベースライン法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-09-29T20:49:25Z)
• USC: Uncompromising Spatial Constraints for Safety-Oriented 3D Object Detectors in Autonomous Driving [7.355977594790584]
  自律運転における3次元物体検出器の安全性指向性能について考察する。 本稿では,単純だが重要な局所化要件を特徴付ける空間的制約 (USC) について述べる。 既存のモデルに対する安全性指向の微調整を可能にするために,定量的な測定値を共通損失関数に組み込む。
  論文  参考訳（メタデータ） (2022-09-21T14:03:08Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Pointwise Feasibility of Gaussian Process-based Safety-Critical Control under Model Uncertainty [77.18483084440182]
  制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。 本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-13T23:08:49Z)

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。