論文の概要: Safe-SAGE: Social-Semantic Adaptive Guidance for Safe Engagement through Laplace-Modulated Poisson Safety Functions

• arxiv url: http://arxiv.org/abs/2603.05497v2
• Date: Fri, 06 Mar 2026 04:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.953675
• Title: Safe-SAGE: Social-Semantic Adaptive Guidance for Safe Engagement through Laplace-Modulated Poisson Safety Functions
• Title（参考訳）: セーフセージ:ラプラス変調ポアソン安全機能を利用したソーシャル・セマンティック・アダプティブ・ガイダンス
• Authors: Lizhi Yang, Ryan M. Bena, Meg Wilkinson, Gilbert Bahati, Andy Navarro Brenes, Ryan K. Cosner, Aaron D. Ames,
• Abstract要約: Safe-SAGEは、高レベルのセマンティック理解と低レベルの安全クリティカルコントロールのギャップを埋める統合フレームワークである。 我々のフレームワークは、コンテキストに依存した安全マージンを持つ、セマンティックにリッチな動的環境を安全にナビゲートすることを可能にする。
• 参考スコア（独自算出の注目度）: 18.662098889718497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional safety-critical control methods, such as control barrier functions, suffer from semantic blindness, exhibiting the same behavior around obstacles regardless of contextual significance. This limitation leads to the uniform treatment of all obstacles, despite their differing semantic meanings. We present Safe-SAGE (Social-Semantic Adaptive Guidance for Safe Engagement), a unified framework that bridges the gap between high-level semantic understanding and low-level safety-critical control through a Poisson safety function (PSF) modulated using a Laplace guidance field. Our approach perceives the environment by fusing multi-sensor point clouds with vision-based instance segmentation and persistent object tracking to maintain up-to-date semantics beyond the camera's field of view. A multi-layer safety filter is then used to modulate system inputs to achieve safe navigation using this semantic understanding of the environment. This safety filter consists of both a model predictive control layer and a control barrier function layer. Both layers utilize the PSF and flux modulation of the guidance field to introduce varying levels of conservatism and multi-agent passing norms for different obstacles in the environment. Our framework enables legged robots to safely navigate semantically rich, dynamic environments with context-dependent safety margins.
• Abstract（参考訳）: 制御障壁関数のような従来の安全クリティカルな制御手法は、文脈的重要性に関係なく障害物の周囲で同じ振る舞いを示す意味的盲点に悩まされる。 この制限は、意味の異なる意味にもかかわらず、すべての障害を均一に扱うことに繋がる。 ラプラス誘導場を用いて変調されたポアソン安全機能(PSF)を介して、高レベルのセマンティック理解と低レベルの安全クリティカルコントロールのギャップを埋める統合フレームワークであるセーフSAGE(Social-Semantic Adaptive Guidance for Safe Engagement)を提案する。 カメラの視野を超えた最新のセマンティクスを維持するために、視覚ベースのインスタンスセグメンテーションと永続オブジェクトトラッキングを併用して、マルチセンサポイントクラウドを融合することで環境を認識できる。 次に、この環境の意味的理解を用いて安全なナビゲーションを実現するために、マルチ層安全フィルタを用いてシステム入力を変調する。 本発明の安全フィルタは、モデル予測制御層と制御バリア機能層の両方からなる。 どちらの層も、誘導場のPSFとフラックス変調を利用して、環境の異なる障害物に対して、様々なレベルの保守性とマルチエージェントパス規範を導入する。 我々のフレームワークは、コンテキストに依存した安全マージンを持つ、セマンティックにリッチな動的環境を安全にナビゲートすることを可能にする。

関連論文リスト

• Control Barrier Corridors: From Safety Functions to Safe Sets [7.396792281840145]
  制御バリア機能と安全な移動回廊は広く使われているが、技術的には異なる安全方法である。 本稿では,この2つのアプローチを統一する制御障壁の新たな概念を提案する。 コンベックスバリア機能のための制御バリア回廊上で,各状態の安全性を局所的に拡張可能であることを示す。
  論文  参考訳（メタデータ） (2026-03-06T17:23:56Z)
• BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
  BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。 BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-23T18:19:46Z)
• Contextual Safety Reasoning and Grounding for Open-World Robots [79.98924225712668]
  COREは、環境に関する事前の知識なしに、オンラインのコンテキスト推論、接地、執行を可能にする安全フレームワークである。 知覚の不確実性を考慮したCOREの確率論的安全性保証を提供する。 シミュレーションと実世界の実験を通じて、COREは目に見えない環境において、文脈的に適切な振る舞いを強制することを示した。
  論文  参考訳（メタデータ） (2026-02-23T15:51:23Z)
• PoSafeNet: Safe Learning with Poset-Structured Neural Nets [49.854863600271614]
  既存のアプローチは、しばしば複数の安全制約を均一に、または固定された優先命令によって強制し、実現不可能と不安定な振る舞いを引き起こす。 我々は、この設定を擬似構造的安全性として定式化し、安全制約を部分的に順序づけられた集合としてモデル化し、安全構成を政策クラスの構造的特性として扱う。 この定式化に基づいて、逐次クローズドフォームプロジェクションを介して安全性を強制する、識別可能な神経安全層であるPoSafeNetを提案する。
  論文  参考訳（メタデータ） (2026-01-29T22:03:32Z)
• UpSafe$^\circ$C: Upcycling for Controllable Safety in Large Language Models [67.91151588917396]
  大規模言語モデル(LLM)は、幅広いタスクで顕著な進歩を遂げているが、有害なコンテンツ生成やジェイルブレイク攻撃といった安全リスクに弱いままである。 安全に配慮したリサイクルによるLCMの安全性向上のための統合フレームワークであるUpSafe$circ$Cを提案する。 この結果から, 静的アライメントから動的, モジュール, 推論対応制御への移行という, LLMの安全性の新たな方向性が明らかになった。
  論文  参考訳（メタデータ） (2025-10-02T16:43:33Z)
• RISE: Robust Imitation through Stochastic Encoding [0.764671395172401]
  本稿では,環境パラメータの誤った測定をポリシー学習に明示的に対応させる,新しい模倣学習フレームワークを提案する。 我々のフレームワークは、障害状態、向き、速度などのパラメータを潜在空間にエンコードし、テスト時間を改善する。 我々は,2つのロボットプラットフォームに対するアプローチを検証するとともに,目標達成性能をベースライン法と比較し,安全性の向上を図っている。
  論文  参考訳（メタデータ） (2025-03-15T19:52:16Z)
• BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
  BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。 本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
  論文  参考訳（メタデータ） (2021-11-22T15:38:11Z)

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。