論文の概要: Can Vision-Language Models Assess Proxemic Risk from Egocentric Robot Images?

• arxiv url: http://arxiv.org/abs/2608.12515v1
• Date: Wed, 12 Aug 2026 18:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.30714
• Title: Can Vision-Language Models Assess Proxemic Risk from Egocentric Robot Images?
• Title（参考訳）: エゴセントリックなロボット画像から確率的リスクを評価することができるか?
• Abstract要約: 我々は、エゴセントリックなロボット画像の4つの危険レベルに分類する上で、3つの視覚言語モデル(VLM)を評価する。 textitInternVL, textitQwen-VL, textitSmolVLM は, 微細な確率論的推論や空間的グラウンドリングにおいて制限されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assessing proxemic danger from a robot's egocentric perspective is critical for safe embodied navigation in human environments and requires both visual and contextual reasoning. We evaluate three opensource vision-language models (VLMs) (\textit{InternVL}, \textit{Qwen-VL}, and \textit{SmolVLM}) on the classification of egocentric robot images into four danger levels, comparing three prompting strategies and two rounds of QLoRA fine-tuning against a stratified random baseline. Without fine-tuning, all models perform near the baseline, while fine-tuning yields only modest overall improvements. However, \textit{Qwen-VL} with an advanced prompt achieves substantially higher recall for high-danger cases than the other models. An analysis of person localization further shows that correct danger classification does not correspond to better spatial grounding, indicating that a model may produce a useful safety label without attending to the relevant region of the scene. These results show that current VLMs remain limited in fine-grained proxemic reasoning and spatial grounding, although targeted prompting and fine-tuning can improve high-danger detection in selected models.
• Abstract（参考訳）: ロボットの自我中心的な視点から近視的危険を評価することは、人間の環境における安全な身体的ナビゲーションにとって重要であり、視覚的および文脈的推論の両方を必要とする。 我々は、エゴセントリックなロボット画像の4つの危険レベルに分類し、3つのプロンプト戦略と2ラウンドのQLoRA微調整を成層化ベースラインに対して比較し、VLM(\textit{InternVL}, \textit{Qwen-VL}, \textit{SmolVLM})を評価する。 微調整なしでは、全てのモデルがベースライン近くで動作し、微調整によって全体的な改善はわずかである。 しかし、アドバンストプロンプトを持つ \textit{Qwen-VL} は他のモデルよりもかなり高いリコールを実現する。 さらに、人物の局所化の分析により、適切な危険分類がより良い空間的接地と一致しないことが示され、モデルがシーンの関連領域に従わずに有用な安全ラベルを生成できることが示されている。 これらの結果から,現在のVLMは細粒度の確率的推論や空間的接地において制限されるが,ターゲットのプロンプトや微調整は選択されたモデルにおけるハイダンガー検出を改善することができることがわかった。

関連論文リスト

• S-squared-VLA: Decoupling Semantic and Spatial Streams in Vision-Language-Action Models for Autonomous Driving [8.813976817688605]
  VLM(Vision-Language Models)は、自律運転における高レベルの推論に顕著な可能性を示している。 VLMは、個別の言語トークンと連続的な軌道計画のミスマッチによって、正確で低レベルな制御アクションを生成するのに苦労する。 本稿では,視覚・言語・行動モデルにおける意味的・空間的ストリームを明示的に分離するS-squared-VLAを提案する。
  論文  参考訳（メタデータ） (2026-07-15T15:07:02Z)
• Reasoning-Guided Grounding: Elevating Video Anomaly Detection through Multimodal Large Language Models [2.8529525624646492]
  ビデオ異常検出(VAD)は、伝統的にバイナリ分類または外れ値検出としてフレーム化されてきた。 本稿では,異常分類,空間的接地,思考の連鎖的推論を統一するフレームワークであるVANGUARDを提案する。 UCF-Crimeでは、VANGUARDは94%のROC-AUCを84%のF1で達成し、同時に解釈可能な連鎖説明と異常物体の空間的接地を生成する。
  論文  参考訳（メタデータ） (2026-04-07T20:15:15Z)
• Uncovering Linguistic Fragility in Vision-Language-Action Models via Diversity-Aware Red Teaming [64.48633529149579]
  本稿では,VLA(Vision-Language-Action)モデルの言語的変異に対する脆弱性を明らかにするための新しいフレームワークを提案する。 本手法は, ストレス試験用VLAエージェントへのスケーラブルなアプローチを示すため, 平均作業成功率を93.33%から5.85%に下げる。
  論文  参考訳（メタデータ） (2026-04-07T08:43:36Z)
• AutoControl Arena: Synthesizing Executable Test Environments for Frontier AI Risk Evaluation [22.833977971686966]
  本稿では、フロンティアAIリスク評価のための自動化フレームワークであるAutoControl Arenaを紹介する。 私たちは柔軟性を維持しながら幻覚を緩和します。 この原則は3エージェントフレームワークを通じてインスタンス化され、既存のシミュレータよりも98%以上のエンドツーエンドの成功と60%の人間の好みを達成する。
  論文  参考訳（メタデータ） (2026-03-08T02:49:45Z)
• TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
  Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。 我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。 トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。 埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T13:28:07Z)
• RADAR: Benchmarking Vision-Language-Action Generalization via Real-World Dynamics, Spatial-Physical Intelligence, and Autonomous Evaluation [76.22852262683746]
  本稿では,現実的な条件下でのVLA一般化を体系的に評価するベンチマークであるRADARを紹介する。 RADARを用いて、複数の最先端のVLAモデルを監査し、その明らかな能力の下で深刻な脆弱性を明らかにする。
  論文  参考訳（メタデータ） (2026-02-11T16:08:30Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• Semantically Aware UAV Landing Site Assessment from Remote Sensing Imagery via Multimodal Large Language Models [5.987458168544856]
  安全UAV緊急着陸には、従来の幾何学的センサーに見えない複雑なセマンティックなリスクを理解する必要がある。 本稿では,リモートセンシング(RS)画像とマルチモーダル大規模言語モデル(MLLM)を併用した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T11:30:03Z)
• Semantic-Metric Bayesian Risk Fields: Learning Robot Safety from Human Videos with a VLM Prior [10.193047117743221]
  人間は安全を二元信号ではなく、連続的、文脈に依存したリスクの概念として解釈する。 本研究は、安全な人間のデモビデオとVLM常識から直接監督される暗黙の人間のリスクモデルを抽出する枠組みを提案する。
  論文  参考訳（メタデータ） (2025-12-09T04:19:58Z)
• FreezeVLA: Action-Freezing Attacks against Vision-Language-Action Models [124.02734355214325]
  Vision-Language-Action(VLA)モデルはロボティクスの急速な進歩を加速している。 敵画像はVLAモデルを「凍結」し、その後の命令を無視する。 FreezeVLAは、min-maxバイレベル最適化を通じて、アクション凍結攻撃を生成し、評価する。
  論文  参考訳（メタデータ） (2025-09-24T08:15:28Z)
• REVEAL: Multi-turn Evaluation of Image-Input Harms for Vision LLM [0.098314893665023]
  視覚大言語モデル(VLLM)における画像入力障害を評価するためのスケーラブルで自動化されたパイプラインであるREVEAL Frameworkを紹介する。 VLLMs, GPT-4o, Llama-3.2, Qwen2-VL, Phi3.5V, Pixtralの5種を, 性的被害, 暴力, 誤報の3つの重要な危険カテゴリーで評価した。 GPT-4oは、我々の安全ユーザビリティ指標(SUI)で測定された最もバランスの取れた性能を示し、Pixtralに近づいた。
  論文  参考訳（メタデータ） (2025-05-07T10:09:55Z)
• AdvIRL: Reinforcement Learning-Based Adversarial Attacks on 3D NeRF Models [1.7205106391379021]
  textitAdvIRLは、多様な3D変換の下で頑健な対向ノイズを生成する。 私たちのアプローチは、小さなオブジェクト(バナナなど)から大きな環境(灯台など)まで、幅広い場面で検証されています。
  論文  参考訳（メタデータ） (2024-12-18T01:01:30Z)
• ReVLA: Reverting Visual Domain Limitation of Robotic Foundation Models [55.07988373824348]
  既存の3つのロボット基礎モデルの視覚的一般化能力について検討する。 本研究は,既存のモデルがドメイン外シナリオに対する堅牢性を示していないことを示す。 モデルマージに基づく段階的なバックボーンリバーサルアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-23T17:47:59Z)

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。