論文の概要: Human-in-the-Loop Uncertainty Analysis in Self-Adaptive Robots Using LLMs

• arxiv url: http://arxiv.org/abs/2605.02983v1
• Date: Mon, 04 May 2026 09:32:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.566407
• Title: Human-in-the-Loop Uncertainty Analysis in Self-Adaptive Robots Using LLMs
• Title（参考訳）: LLMを用いた自己適応型ロボットの対人不確実性解析
• Authors: Hassan Sartaj, Jalil Boudjadar, Mirgita Frasheri, Shaukat Ali, Peter Gorm Larsen,
• Abstract要約: 自己適応型ロボットは、不確実性が安全違反や運用上の失敗につながるような、動的で予測不可能な環境で動作します。 本稿では,設計段階で不確実性を探究する実践者を支援するRoboULMを紹介した。 自己適応型ロボットにおける不確実性の詳細なカタログを提供する不確実性分類法を提案する。
• 参考スコア（独自算出の注目度）: 2.8804715302454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-adaptive robots operate in dynamic, unpredictable environments where unaddressed uncertainties can lead to safety violations and operational failures. However, systematically identifying and analyzing these uncertainties, including their sources, impacts, and mitigation strategies, remains a significant challenge given the inherent complexity of real-world environments, dynamic robotic behavior, and the rapid evolution of robotic technologies. To address this, we introduce RoboULM, a human-in-the-loop methodology and tool that supports practitioners in systematically exploring uncertainties at the design stage using large language models (LLMs). Moreover, we present an uncertainty taxonomy that provides a detailed catalog of uncertainties in self-adaptive robots. We evaluated RoboULM with 16 practitioners from four industrial use cases. The results show that RoboULM was perceived as both useful and easy to understand, with the participants particularly valuing structured prompting and iterative refinement support. These findings demonstrate the potential of RoboULM as a viable solution for systematic uncertainty analysis in complex robots.
• Abstract（参考訳）: 自己適応型ロボットは、非適応的な不確実性が安全違反や運用上の失敗につながる、動的で予測不可能な環境で機能する。 しかし、実際の環境の複雑さ、動的なロボットの振る舞い、ロボット技術の急速な進化を考えると、これらの不確実性を体系的に同定し、分析することは重要な課題である。 そこで我々は,大規模言語モデル (LLM) を用いて設計段階における不確実性を体系的に探求する実践者を支援する,人為的ループ手法とツールであるRoboULMを紹介する。 さらに,自己適応型ロボットにおける不確実性の詳細なカタログを提供する不確実性分類法を提案する。 産業用4症例のうち16名の実践者を対象にRoboULMを評価した。 その結果,RoboULMは有用かつ理解しやすいものと認識され,参加者は構造的促進と反復的改善の支援を特に評価した。 これらの結果から,複雑なロボットの系統的不確実性解析におけるRoboULMの有用性が示唆された。

関連論文リスト

• Identifying Uncertainty in Self-Adaptive Robotics with Large Language Models [2.8804715302454]
  我々は,大規模言語モデル(LLM)が自己適応型ロボット工学における不確実性を特定するための体系的なアプローチを可能にする可能性を評価する。 産業用ロボットのケーススタディにおいて,10種類の高度なLCMを多種多様な能力で分析した。 その結果, LLMの回答の63～88%と一致し, LLMの実用性への強い関心を示した。
  論文  参考訳（メタデータ） (2025-04-29T12:07:39Z)
• From Mystery to Mastery: Failure Diagnosis for Improving Manipulation Policies [35.18739716338974]
  本稿では,臨界故障モード(FM)を自動的に識別するシステムであるロボットマニピュレーション診断(RoboMD)を提案する。 事前訓練された操作ポリシーにおける潜在的なFMの膨大な空間を考慮すると、深層強化学習(deep reinforcement learning, ディープRL)を活用してこれらのFMを探索し、発見する。 非構造環境における未知障害の診断におけるRoboMDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-12-03T20:34:51Z)
• The Role of Predictive Uncertainty and Diversity in Embodied AI and Robot Learning [10.271978575618169]
  不確実性は、特にロボットが分析モデルを備えている場合、ロボット工学において長い間重要な研究領域であった。 このガイドは不確実性の重要性の概要を提供し、アプリケーションの観点からそれを定量化し評価する方法を提供する。
  論文  参考訳（メタデータ） (2024-05-06T05:04:59Z)
• On the Vulnerability of LLM/VLM-Controlled Robotics [54.57914943017522]
  大規模言語モデル(LLM)と視覚言語モデル(VLM)を統合するロボットシステムの脆弱性を,入力モダリティの感度によって強調する。 LLM/VLM制御型2つのロボットシステムにおいて,単純な入力摂動がタスク実行の成功率を22.2%,14.6%減少させることを示す。
  論文  参考訳（メタデータ） (2024-02-15T22:01:45Z)
• Bridging Active Exploration and Uncertainty-Aware Deployment Using Probabilistic Ensemble Neural Network Dynamics [11.946807588018595]
  本稿では,活発な探索と不確実性を考慮した展開を橋渡しするモデルベース強化学習フレームワークを提案する。 探索と展開の対立する2つのタスクは、最先端のサンプリングベースのMPCによって最適化されている。 自動運転車と車輪付きロボットの両方で実験を行い、探索と展開の両方に有望な結果を示します。
  論文  参考訳（メタデータ） (2023-05-20T17:20:12Z)
• 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。

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。