論文の概要: Don't Fool Me Twice: Adapting to Adversity in the Wild with Experience-Driven Reasoning
- arxiv url: http://arxiv.org/abs/2605.31119v1
- Date: Fri, 29 May 2026 10:30:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.539491
- Title: Don't Fool Me Twice: Adapting to Adversity in the Wild with Experience-Driven Reasoning
- Title（参考訳）: Don't Fool Me Twice: 経験駆動推論による野生の逆性適応
- Abstract要約: ロボット工学では、危険と逆転モードは、しばしば具体的であり、各エージェントに対して相対的である。
本稿では,障害から学習し,異常な動作を原因とみなすための,移動体具体化エージェントのための連続学習フレームワークを提案する。
本研究は,4つの仮説を提示し,シミュレーションおよびハードウェア上での逆数モードおよび逆数モードによる検証を行う。
- 参考スコア（独自算出の注目度）: 2.3555777010480337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In robotics, dangers and adversity modes are often embodiment-specific and relative to each agent. A frontier of autonomous mobile robotics is to enable agents to operate effectively in the wild in unseen unstructured environments. A significant challenge in unseen unstructured environments is that it may not be possible to predict all the dangers to the specific robot. Although recent work has used large foundation vision-language models (VLMs) to preemptively predict an exhaustive list of common-sense dangers, it remains difficult to capture possible interaction and embodiment-dependent adversities. We propose a continual learning framework for a mobile embodied agent to learn online from disturbances and attribute anomalous behaviours to causes through semantics, enabling better prediction and planning of the world in the future. Our framework, "Don't Fool Me Twice", first observes disturbances and describes their effects on the robot; this description is augmented with visual context to query a VLM to predict possible causes; the local disturbance is characterized using kernel regression, which allows for efficient, few-shot modeling of transient anomalies. We leverage semantic voxel-centric modeling to estimate epistemic uncertainty, enabling richer downstream recovery by treating interaction-driven disturbances as learnable spatial behaviors. We present four hypotheses and validate them in simulation and on hardware across embodiments and adversity modes.
- Abstract（参考訳）: ロボット工学では、危険と逆転モードは、しばしば具体的であり、各エージェントに対して相対的である。
自律型移動ロボットのフロンティアは、エージェントが目に見えない非構造環境で、野生で効果的に動作できるようにすることである。
非構造環境における重要な課題は、特定のロボットに対するすべての危険を予測できない可能性があることである。
近年の研究では、広義の視覚言語モデル(VLM)を用いて、広義の危険を事前に予測しているが、相互作用や具体化に依存した逆境を捉えることは困難である。
本研究では,移動体型エージェントが乱れからオンラインで学習し,意味論を通じて異常な振る舞いを原因とみなすための連続的な学習フレームワークを提案し,将来的な世界の予測と計画を可能にした。
我々のフレームワークである"Don't Fool Me Twice"は、まず外乱を観察し、ロボットへの影響を説明する; この記述は視覚的コンテキストで拡張され、VLMに潜在的な原因を予測する。
セマンティックなボクセル中心のモデリングを利用して、認識の不確実性を推定し、相互作用駆動障害を学習可能な空間行動として扱うことにより、よりリッチな下流回復を可能にする。
本研究は,4つの仮説を提示し,シミュレーション,ハードウェア上でのエンボディメントおよび逆数モードの検証を行う。
関連論文リスト
- Are Android GUI Agents Robust Against Runtime Anomalies? AnTrap: Evaluating Agents in Dynamic Adversarial Environments [19.009627117174947]
エージェントの実行軌跡に動的摂動を注入する総合ベンチマークAnTrapを導入する。
本研究では,現実世界の異常を4つの層(状態,思考,行動,ラウンド)に分類する分類法を提案する。
また,現実的な対向条件を導入しながら,課題解決可能性を維持する構築パイプラインも開発している。
論文 参考訳（メタデータ） (2026-08-25T05:57:25Z) - Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。
物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。
ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
論文 参考訳（メタデータ） (2026-01-13T23:36:30Z) - UF-RNN: Real-Time Adaptive Motion Generation Using Uncertainty-Driven Foresight Prediction [4.849928323880955]
状態が不確実な環境で効果的に動作するためのロボットの訓練は、ロボット工学における長年の課題である。
本稿では、標準時系列予測とアクティブな「フォレスト」モジュールを組み合わせたモデルである、不確実性駆動型フォレストリカレントニューラルネットワーク(UF-RNN)を提案する。
UF-RNNは、その潜在空間における自己誘起カオス力学を活用することにより、堅牢な適応を示す。
これらの結果は、不確実性駆動型フォレストを模倣学習パイプラインに統合することで、予測不可能な現実世界の状況に対処するロボットの能力を著しく向上させることができることを示唆している。
論文 参考訳（メタデータ） (2025-10-11T13:44:20Z) - Situationally-Aware Dynamics Learning [57.698553219660376]
隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。
提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。
シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
論文 参考訳（メタデータ） (2025-05-26T06:40:11Z) - Adaptive Motion Generation Using Uncertainty-Driven Foresight Prediction [2.2120851074630177]
環境の不確実性は、現実のロボットタスクを実行する際には、長年、扱いにくい特徴だった。
本稿では,動的内部シミュレーションを用いたフォレスト予測を用いた既存の予測学習に基づくロボット制御手法を拡張した。
その結果,提案モデルではドアとの相互作用により動作が適応的に分岐し,従来の手法では安定に分岐しなかった。
論文 参考訳（メタデータ） (2024-10-01T15:13:27Z) - Real-Time Anomaly Detection and Reactive Planning with Large Language Models [18.57162998677491]
例えば、大規模な言語モデル(LLM)は、インターネットスケールのデータに基づいて訓練され、ゼロショット機能を持つ。
本稿では,潜在的な異常に関する判断を安全な制御フレームワークに組み込む2段階の推論フレームワークを提案する。
これにより、モニターは、四輪車や自動運転車のような動的ロボットシステムの信頼性を向上させることができる。
論文 参考訳（メタデータ） (2024-07-11T17:59:22Z) - Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。
現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。
本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
論文 参考訳（メタデータ） (2024-07-02T21:00:30Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Congestion-aware Multi-agent Trajectory Prediction for Collision
Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。
学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。
実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文 参考訳（メタデータ） (2021-03-26T02:42:33Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳（メタデータ） (2020-09-12T02:02:52Z)
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。