論文の概要: Learning Material-Aware Hamiltonian Risk Fields for Safe Navigation

• arxiv url: http://arxiv.org/abs/2605.07038v1
• Date: Thu, 07 May 2026 23:33:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.674421
• Title: Learning Material-Aware Hamiltonian Risk Fields for Safe Navigation
• Title（参考訳）: 安全ナビゲーションのための物質的ハミルトニアンリスクフィールドの学習
• Authors: Aditya Sai Ellendula, Yi Wang, Chandrajit Bajaj,
• Abstract要約: 政策は、局地的な状況がよりリスクの低い行動を認める場合にのみ、回避可能な自由度を公開するべきである。 ポート・ハミルトンの航法方針に1つの文脈エネルギー項を加えると、このファルサブルなシグネチャを持つ学習力チャネルが生成されることを示す。
• 参考スコア（独自算出の注目度）: 4.023164329164762
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Risk-aware navigation should be selective: a policy should expose evasive degrees of freedom only when the local scene admits a lower-risk feasible maneuver, and suppress them when no safer alternative exists. We show that adding one context-energy term to a port-Hamiltonian navigation policy produces a learned force channel with exactly this falsifiable signature. When the local risk field contains a feasible lower-risk direction, the induced context force activates toward it; when the apparent escape is blocked or not yet available, a route-aware gate suppresses lateral force rather than hallucinating an unsafe maneuver. A CVaR tail-risk objective focuses gradient updates on rare but consequential risk transitions. We validate the selectivity signature across four settings. In the primary delayed-required-escape benchmark, route-aware CVaR reduces premature force activation from 0.950 to 0.180 versus DWA while raising success from 0.480 to 0.810 with zero replans. On real off-road terrain (RELLIS-3D), route-aware enrichment achieves correct activation rate 0.837 and false activation rate 0.114, compared to 0.378/0.752 for scalar risk gradients. On static semantic maps (DFC2018), enrichment reduces catastrophic failure from 0.60 to 0.10 and oscillation by 90.7% while preserving path efficiency. In highway traffic, collisions drop from 100% to 0% when a lane escape is feasible; when no escape exists, the policy suppresses the lateral maneuver. The selectivity property follows from the gradient structure of the context energy rather than from training-time tuning.
• Abstract（参考訳）: リスクを意識したナビゲーションは選択的でなければならない: ポリシーは、局所的なシーンがよりリスクの低い操作を認める場合にのみ、回避可能な自由を露呈し、より安全な代替手段が存在しない場合にそれらを抑制すべきである。 ポート・ハミルトンの航法方針に1つの文脈エネルギー項を加えると、このファルサブルなシグネチャを持つ学習力チャネルが生成されることを示す。 局所リスクフィールドが実現可能な低リスク方向を含む場合、誘導されたコンテキストフォースがそれに向けて起動し、明らかなエスケープがブロックされたり、まだ利用できない場合には、経路認識ゲートは、安全でない操作を幻覚させるのではなく、横力を抑制する。 CVaRテールリスクの目的は、稀だが連続的なリスク遷移の漸進的な更新に焦点を当てることである。 4つの設定で選択性シグネチャを検証する。 第一の遅延要求エスケープベンチマークでは、ルート対応CVaRは、未熟な力の活性化を0.950から0.180に減らし、同時に0リプランで0.480から0.810に上昇する。 実際のオフロード地形(RELLIS-3D)では、スカラーリスク勾配の0.378/0.752に対して、ルート対応のリッチ化は、正しいアクティベーション率0.837と偽アクティベーション率0.114を達成する。 静的セマンティックマップ(DFC2018)では、富化によって破滅的な故障が0.60から0.10に減少し、振動は90.7%減少し、経路効率は保たれる。 高速道路では、車線脱走が実現可能な場合には衝突が100%から0%に減少し、脱走がない場合には横方向の操作を抑える。 選択性は、訓練時チューニングではなく、文脈エネルギーの勾配構造から従う。

関連論文リスト

• SafeSeek: Universal Attribution of Safety Circuits in Language Models [49.59795225914787]
  我々は,統合された安全解釈可能性フレームワークである ourmethod を提案する。 提案手法は,大規模言語モデルにおける機能的完全安全回路を同定する。 LLMの安全性には2つの重要なシナリオがある。
  論文  参考訳（メタデータ） (2026-03-24T14:32:53Z)
• Principled Steering via Null-space Projection for Jailbreak Defense in Vision-Language Models [71.11171576590134]
  視覚言語モデルは視覚的ジェイルブレイク攻撃によって容易に誘導され、有害なコンテンツを生成する。 本稿では,NullSteerを提案する。 我々はNullSteerが様々なジェイルブレイク攻撃において有害な出力を著しく減少させることを示す。
  論文  参考訳（メタデータ） (2026-03-23T15:23:23Z)
• Fusing Driver Perceived and Physical Risk for Safety Critical Scenario Screening in Autonomous Driving [20.663269212781426]
  本稿では,自動運転における運転リスク融合に基づく危険シナリオスクリーニング手法を提案する。 トレーニング中に、改良されたドライバリスクフィールドと動的コストモデルを組み合わせて、高品質なリスク監視信号を生成する。 推論中は、高速なフォワードパスを通じてシナリオレベルのリスクスコアを直接予測し、フレーム単位のリスク計算を避ける。
  論文  参考訳（メタデータ） (2026-03-07T13:24:23Z)
• RA-Nav: A Risk-Aware Navigation System Based on Semantic Segmentation for Aerial Robots in Unpredictable Environments [7.128475765820446]
  既存の空飛ぶロボットナビゲーションシステムは、静的な障害物が突然動くと適応しない。 セマンティックセグメンテーションに基づくリスク対応ナビゲーションフレームワークであるRA-Navを提案する。 RA-Navは、突然の障害状態遷移シナリオにおいて、ベースラインよりも高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-19T16:26:43Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Risk-Aware Human-in-the-Loop Framework with Adaptive Intrusion Response for Autonomous Vehicles [9.818695109452861]
  自律走行車のためのリスク認識型ヒューマン・イン・ザ・ループ・フレームワークであるRAILを提案する。 RAILは、重み付きノイズORを介して3つのキューを侵入リスクスコア(IRS)に融合させる。 MetaDriveでは、テストリターン(TR)が360.65、テスト成功率(TSR)が0.85、テスト安全違反(TSV)が0.75、外乱率(DR)が0.0027である。
  論文  参考訳（メタデータ） (2026-01-16T21:08:01Z)
• Constrained Language Model Policy Optimization via Risk-aware Stepwise Alignment [49.2305683068875]
  本稿では,リスク認識を政策最適化プロセスに組み込んだ新しいアライメント手法であるリスク対応ステップワイドアライメント(RSA)を提案する。 RSAは、過剰なモデルシフトによって引き起こされるリスクを基準方針から緩和し、低確率で高影響の有害な振る舞いを明示的に抑制する。 実験により, 本手法は高い安全性を確保しつつ, 高い安全性を達成できることが確認された。
  論文  参考訳（メタデータ） (2025-12-30T14:38:02Z)
• SafePath: Conformal Prediction for Safe LLM-Based Autonomous Navigation [67.22657932549723]
  SafePathは,LLM(Large Language Models)を公式な安全保証とともに拡張するフレームワークである。 第1段階では,多様な候補経路を生成するLCMを用いて,エージェントの挙動と環境条件に基づく軌道探索を行う。 第2段階では、SafePathはリスクの高いトラジェクトリをフィルタリングし、少なくとも1つのセーフオプションがユーザ定義の確率に含まれていることを保証します。 最終段階では,不確実性が低い場合や不確実性が高い場合,人間に制御を委譲する場合の衝突リスクが最も低い経路を選択する。
  論文  参考訳（メタデータ） (2025-05-14T14:28:24Z)
• Learn Zero-Constraint-Violation Policy in Model-Free Constrained Reinforcement Learning [7.138691584246846]
  本稿では,安全指向エネルギー関数を用いてポリシー更新を限定するセーフセットアクタクリティカル(SSAC)アルゴリズムを提案する。 安全指数は、潜在的に危険な行動のために急速に増加するように設計されている。 我々は、値関数の学習と同様に、モデルのない方法でエネルギー関数を学習できると主張する。
  論文  参考訳（メタデータ） (2021-11-25T07:24:30Z)

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。