論文の概要: Lost in Fog: Sensor Perturbations Expose Reasoning Fragility in Driving VLAs

• arxiv url: http://arxiv.org/abs/2605.21446v1
• Date: Wed, 20 May 2026 17:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.81677
• Title: Lost in Fog: Sensor Perturbations Expose Reasoning Fragility in Driving VLAs
• Title（参考訳）: ファグの喪失: センサの摂動は、駆動VLAの不安定性に起因する
• Authors: Abhinaw Priyadershi, Jelena Frtunikj,
• Abstract要約: 本稿では,自律運転における視覚・言語・行動(VLA)の頑健性に関する摂動研究について述べる。 推論整合性は軌道の信頼性の高忠実度指標であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Interpretable autonomous driving planners depend not only on generating explanations, but also on those explanations remaining reliable under real-world sensor degradation. In this paper we present a controlled perturbation study of Vision-Language-Action (VLA) robustness in autonomous driving, evaluating Alpamayo R1 (10B parameters) across 1,996 scenarios under eight sensor perturbations (Gaussian noise at four intensities, two lighting extremes, and two fog levels; ${\sim}18{,}000$ inference trials). We find that reasoning consistency is a high-fidelity indicator of trajectory reliability: when Chain-of-Causation (CoC) explanations change after perturbation, trajectory deviation spikes $5.3{\times}$ (21.8m vs 4.1m), with $r\!=\!0.99$ across attack types and $r_{pb}\!=\!0.53$ per-sample (Cohen's $d\!=\!1.12$). A controlled ablation provides evidence that enabling CoC generation is associated with improved trajectory accuracy (11.8% on average across conditions; $p < 0.0001$) under matched inference settings. Over the tested noise range ($σ\in \{10, 30, 50, 70\}$), degradation is approximately linear ($R^2\!=\!0.957$), while standard input preprocessing defenses provide only marginal relief. Together, these results establish CoC consistency as a quantitative proxy for planning safety and motivate reasoning-based runtime monitoring for safer VLA deployment.
• Abstract（参考訳）: 解釈可能な自動運転プランナーは、説明の生成だけでなく、現実のセンサー劣化下で信頼性が保たれている説明にも依存する。 本稿では,8つのセンサ摂動条件下でのAlpamayo R1(10Bパラメータ)を1,996シナリオで評価し,自律走行におけるVLA(Vision-Language-Action)のロバスト性に関する制御摂動実験を行った。 CoC(Chain-of-Causation)の説明が摂動後に変化すると、軌道偏差は5.3{\times}$ (21.8m vs 4.1m)で$r\! =\! 0.99$の攻撃型と$r_{pb}\! =\! 0.53ドル (Cohen's $d\! =\! 1.12ドル)。 制御されたアブレーションは、COC生成を可能にすることは、一致した推論条件下での軌道精度(平均11.8%、$p < 0.0001$)の改善と関連しているという証拠を提供する。 試験されたノイズ範囲(σ\in \{10, 30, 50, 70\}$)では、劣化はほぼ線形である(R^2\! =\! 0.957ドル)の標準入力前処理防御は限界リリーフのみを提供する。 これらの結果は、安全性を計画するための定量的プロキシとしてCoC一貫性を確立し、より安全なVLAデプロイメントのための推論ベースのランタイム監視を動機付けている。

関連論文リスト

• Prism: Structural Symmetry Scanning via Duality-Constrained Laplacian Projection [0.0]
  複雑なネットワークにおける構造対称性診断のためのフレームワークである textbfPrism を導入する。 Prismは、ネットワークが構造的自己整合性からどのくらい離れているかを測定するスカラーである。
  論文  参考訳（メタデータ） (2026-05-18T04:20:05Z)
• MEMSAD: Gradient-Coupled Anomaly Detection for Memory Poisoning in Retrieval-Augmented Agents [0.0]
  検索強化エージェントに対するメモリ中毒攻撃を,統合評価フレームワークを用いたStackelbergゲームとして定式化する。 ASR-R: 0.25〜1.00$) による攻撃成功度を4倍に向上させる。 私たちの主な貢献は、勾配結合に接地したキャリブレーションに基づく防御であるMEMSADである。
  論文  参考訳（メタデータ） (2026-05-05T08:15:41Z)
• Tight Convergence Rates for Online Distributed Linear Estimation with Adversarial Measurements [66.94250413799232]
  分散パラメータ-サーバ-ワーカー設定における乱数ベクトル$X$の推定について検討する。 主な課題は、敵の計測と非同期である。 その結果, 分散線形推定におけるロバスト性, 識別性, 統計的効率の統一的有限時間評価が得られた。
  論文  参考訳（メタデータ） (2026-04-07T11:45:55Z)
• The Boiling Frog Threshold: Criticality and Blindness in World Model-Based Anomaly Detection Under Gradual Drift [0.0]
  4つのMuJoCo環境における連続観測ドリフト下での世界モデルに基づく自己監視について検討した。 我々は、鋭い検出しきい値$varepsilon*$が普遍的に存在することを発見した。 我々の結果は、創発的な世界モデル特性から、ノイズフロア、検出器、環境力学の間の3方向の相互作用へと、$varepsilon*$を再設定する。
  論文  参考訳（メタデータ） (2026-03-09T14:51:53Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Latency and Ordering Effects in Online Decisions [0.0]
  オンライン意思決定システムは遅延フィードバックと順序に敏感なダイナミクスの下で動作している。 ヘテロジニアスレイテンシ、非可換性、実装ギャップ効果を1つの下界ステートメントにパッケージ化する。
  論文  参考訳（メタデータ） (2025-11-17T07:08:05Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• DiffAttack: Evasion Attacks Against Diffusion-Based Adversarial Purification [63.65630243675792]
  拡散に基づく浄化防御は拡散モデルを利用して、敵の例の人工摂動を除去する。 近年の研究では、先進的な攻撃でさえ、そのような防御を効果的に破壊できないことが示されている。 拡散型浄化防衛を効果的かつ効率的に行うための統合フレームワークDiffAttackを提案する。
  論文  参考訳（メタデータ） (2023-10-27T15:17:50Z)
• Fast Rates for the Regret of Offline Reinforcement Learning [69.23654172273085]
  無限水平割引決定プロセス(MDP)における固定行動ポリシーによって生成されたオフラインデータからの強化学習の後悔について検討する。 最適品質関数 $Q*$ に対する任意の推定が与えられたとき、定義するポリシーの後悔は、$Q*$-estimate の点収束率の指数によって与えられる速度で収束することを示す。
  論文  参考訳（メタデータ） (2021-01-31T16:17:56Z)
• Toward Adversarial Robustness via Semi-supervised Robust Training [93.36310070269643]
  アドリラルな例は、ディープニューラルネットワーク(DNN)に対する深刻な脅威であることが示されている。 R_stand$ と $R_rob$ の2つの異なるリスクを共同で最小化することで、新しい防御手法であるロバストトレーニング(RT)を提案する。
  論文  参考訳（メタデータ） (2020-03-16T02:14:08Z)

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。