論文の概要: GroundControl: Anticipating Navigation Failures in Vision-Language Agents via Trajectory-Consistent Uncertainty Estimates

• arxiv url: http://arxiv.org/abs/2606.20479v1
• Date: Thu, 18 Jun 2026 16:56:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:40.003431
• Title: GroundControl: Anticipating Navigation Failures in Vision-Language Agents via Trajectory-Consistent Uncertainty Estimates
• Title（参考訳）: GroundControl: 軌道不確実性推定による視覚言語エージェントのナビゲーション障害予測
• Authors: Nastaran Darabi, Divake Kumar, Sina Tayebati, Devashri Naik, Amit Ranjan Trivedi,
• Abstract要約: 視覚言語ナビゲーションエージェントは、ベンチマークタスクで平均的な競合的な成功を達成するが、予測可能な軌道レベルのブレークダウンによって失敗が発生することが多い。 信頼性の高いデプロイメントには、即時的なアクションエントロピーのみを反映するのではなく、実行中に発生する障害のダイナミクスを予測する不確実性信号が必要である。 本稿では,各エピソードに集約された目標方向距離-ゴール間距離の統計的偏差として定義される軌道整合不確実性推定器であるemphGroundControlを紹介する。
• 参考スコア（独自算出の注目度）: 3.7267095596919053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language navigation agents achieve competitive average success on benchmark tasks, yet failures often arise through predictable trajectory-level breakdowns such as oscillation, stagnation, or inefficient detours. Reliable deployment, therefore, requires uncertainty signals that anticipate emerging failure dynamics during execution rather than reflect only instantaneous action entropy. We introduce \emph{GroundControl}, a trajectory-consistent uncertainty estimator defined as statistical deviation from nominal goal-directed distance-to-goal dynamics aggregated over an episode. GroundControl models distance evolution using a constant-velocity Kalman filter and combines normalized innovation statistics with complementary trajectory features capturing progress, monotonicity, path efficiency, and oscillatory behavior. The resulting uncertainty score reflects geometric and temporal inconsistency in navigation behavior rather than local prediction dispersion. To evaluate uncertainty quality independently of task success, we formalize \emph{Selective Risk--Coverage Navigation (SRCN)}, a protocol that measures how effectively an uncertainty score ranks episodes by failure or inefficiency using risk--coverage curves and AURC / E-AURC summaries. Across five EB-Navigation splits ($N=300$ episodes), trajectory-consistent uncertainty achieves near-oracle ordering under success-based selective risk, with weighted-average $\mathrm{E\text{-}AURC}_{\mathrm{SR}}=0.0024$ for the GPT-4o model, substantially outperforming entropy-, conformal-, and heuristic baselines. Under SPL-based selective evaluation, GroundControl consistently achieves the lowest AURC and E-AURC across models and navigation splits. These results show that modeling deviation from goal-directed dynamics provides an interpretable and robust signal for anticipating navigation failures in vision-language agents.
• Abstract（参考訳）: 視覚言語ナビゲーションエージェントは、ベンチマークタスクで平均的な競争的な成功を達成するが、振動、停滞、非効率なデトゥールなどの予測可能な軌道レベルのブレークダウンによって失敗が生じることが多い。 したがって、信頼性の高いデプロイメントには、即時的なアクションエントロピーのみを反映するのではなく、実行中に発生する障害のダイナミクスを予測する不確実な信号が必要である。 本稿では,一エピソードに集約された目標方向距離-ゴール間距離の統計的偏差として定義される軌道に一貫性のある不確実性推定器である \emph{GroundControl} を紹介する。 GroundControlは、定数速度カルマンフィルタを用いて距離進化をモデル化し、正規化された革新統計と相補的な軌道特徴を組み合わせ、進行、単調性、経路効率、振動挙動を捉える。 結果として生じる不確実性スコアは、局所的な予測分散よりもナビゲーション行動の幾何学的および時間的矛盾を反映している。 タスク成功とは無関係に不確実性を評価するために,リスク被覆曲線とAURC/E-AURC要約を用いて,不確実性スコアがエピソードのランク付けを効果的に行うかを測定するプロトコルである \emph{Selective Risk-Coverage Navigation (SRCN) を定式化した。 EB-Navigation splits (N=300$ episodes), トラジェクトリ-一貫性の不確実性は成功に基づく選択的リスクの下でほぼオーラクルオーダーを達成し, GPT-4oモデルでは平均$\mathrm{E\text{-}AURC}_{\mathrm{SR}}=0.0024$, エントロピー, コンホメーショナル, ヒューリスティックベースラインを大きく上回る。 SPLに基づく選択評価では、GroundControlはモデルとナビゲーションの分割で最低のAURCとE-AURCを達成する。 これらの結果は,目標指向力学からの逸脱をモデル化することにより,視覚言語エージェントのナビゲーション障害を予測できることを示す。

関連論文リスト

• Trust, Geometry, and Rules: A Credibility-Aware Reinforcement Learning Framework for Safe USV Navigation under Uncertainty [32.34854002457735]
  本稿では,信頼性を意識した学習,幾何的安全遮蔽,連続ルール認識の埋め込みを組み込んだフレームワークを提案する。 本研究は,直観的不整合に対するトレーニングの堅牢性の向上と衝突回避性の向上,およびベースラインに対するCOLREGのコンプライアンスについて述べる。
  論文  参考訳（メタデータ） (2026-05-26T12:59:43Z)
• Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
  FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。 FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。 本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:23:18Z)
• AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [60.04879435087352]
  視覚言語アクション(VLA)ポリシーは、単一の統一空間内でアクションを生成する。 本稿では,VLAの動作モデリングを軌跡アンカーと残留精細化に分解する階層的フレームワークであるAnchorRefineを提案する。 LIBERO、CALVIN、および実ロボットタスクの実験では、AnchorRefineは回帰ベースと拡散ベースの両方のVLAバックボーンを一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-20T04:25:24Z)
• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)
• Interpretable Stochastic Model Predictive Control using Distributional Reinforced Estimation for Quadrotor Tracking Systems [0.8411385346896411]
  本研究では,動的・複雑環境下での自律的四角形ナビゲーションのためのトラジェクトリトラッカーを提案する。 提案フレームワークは,未知の空力効果に対する分散強化学習推定器をモデル予測制御器に統合する。 我々は,未知かつ多様な空気力を用いて,累積追従誤差を少なくとも66%改善するシステムを実証した。
  論文  参考訳（メタデータ） (2022-05-14T23:27:38Z)
• Guaranteed Trajectory Tracking under Learned Dynamics with Contraction Metrics and Disturbance Estimation [5.147919654191323]
  本稿では,制約指標と外乱推定に基づく軌道中心学習制御へのアプローチを提案する。 提案するフレームワークは、平面四重項の例で検証される。
  論文  参考訳（メタデータ） (2021-12-15T15:57:33Z)

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。