論文の概要: Trust-Aware Sequential Decision Making and Rollout Planning for Resilient Multi-Robot Systems

• arxiv url: http://arxiv.org/abs/2608.25690v1
• Date: Wed, 26 Aug 2026 12:09:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.813549
• Title: Trust-Aware Sequential Decision Making and Rollout Planning for Resilient Multi-Robot Systems
• Title（参考訳）: レジリエントなマルチロボットシステムの信頼性を考慮したシーケンス決定とロールアウト計画
• Abstract要約: 妥協されたエージェントは、計画モデルと物理実行のミスマッチを作成することができる。 モニタ対応敵に対する距離制約付きスプーフィングモデルを提案する。 我々は,実際のGPSスプーフィングデータを用いて校正を行う確率的ローカライゼーション信頼と,タスク実行からの行動証拠を組み合わせてエージェントを分類し,検出された敵を除去する信頼意識モニタを開発した。
• 参考スコア（独自算出の注目度）: 13.336940775646307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential decision-making in multi-robot systems typically assumes that planning information is reliable and that agents execute the actions anticipated by the planner. Compromised agents can violate both assumptions, creating a mismatch between the planning model and physical execution. We study this problem in online multi-robot routing under localization spoofing. We introduce a distance-constrained spoofing model for monitor-aware adversaries, together with a tiered bipartite matching strategy that maximizes assignment influence while limiting spoofing magnitude. To mitigate such attacks, we develop a trust-aware monitor that combines probabilistic localization trust, calibrated using real GPS spoofing data, with behavioral evidence from task execution to classify agents and remove detected adversaries from subsequent planning. We further show that undetected adversaries can cause rollout to lose its expected cost-improvement behavior by violating planner-execution consistency. Trust-aware removal restores this consistency after detection, enabling stable routing and recovery of rollout's empirical advantage over the base policy. Experiments using real GPS spoofing datasets and San Francisco taxicab demand demonstrate effective detection and resilient routing across varying spoofing capabilities, adversarial fleet sizes, adaptive attacks, monitoring configurations, and rollout horizons.
• Abstract（参考訳）: マルチロボットシステムにおけるシーケンシャルな意思決定は、計画情報が信頼性があり、エージェントがプランナーが期待する行動を実行することを前提としている。 妥協されたエージェントは、両方の仮定に違反し、計画モデルと物理実行のミスマッチを生成する。 局所化スプーフィング下でのオンラインマルチロボットルーティングにおけるこの問題について検討する。 モニタ対応の敵に対する距離制約付きスプーフィングモデルと、スプーフィングの規模を制限しつつ、割り当ての影響を最大化するタイトなバイパルタイトマッチング戦略を導入する。 このような攻撃を緩和するために、実際のGPSスプーフィングデータを用いて校正された確率的局所化信頼と、タスク実行からの行動証拠を組み合わせてエージェントを分類し、検出された敵をその後の計画から排除する信頼対応モニターを開発した。 さらに、未検出の敵が、プランナーと実行の一貫性を損なうことによって、ロールアウトが期待するコスト改善行動を失う可能性があることを示す。 信頼を意識した削除は、検出後にこの一貫性を回復し、安定したルーティングと、ベースポリシーに対するロールアウトの実証的な優位性の回復を可能にする。 実際のGPSスプーフィングデータセットとサンフランシスコのタクシー需要を用いた実験では、さまざまなスプーフィング能力、敵艦隊サイズ、適応攻撃、監視設定、ロールアウト水平線を横断する効果的な検出とレジリエントなルーティングが示されている。

関連論文リスト

• Remote ID Spoofing-Aware Trajectory Planning for Small Unmanned Aerial Systems [3.3191531288307776]
  既存のプランナーは、RID放送が信頼できると考えており、スプーフィングが発生した場合、分離の損失や空中衝突のリスクを増大させる可能性がある。 対照的に、提案手法は、RID情報を未検証として明示的に扱い、物理層観測を取り入れて放送信頼性を評価する。 マルチエアクラフトパッケージ配信のシナリオでは、真正なRIDデータを想定したプランナーに比べて、空中衝突の頻度が低いことが示されている。
  論文  参考訳（メタデータ） (2026-07-22T01:16:52Z)
• Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
  シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。 擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。 本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
  論文  参考訳（メタデータ） (2026-07-08T18:23:48Z)
• From Stealthy Data Fabrication to Unsafe Driving: Realistic Scenario Attacks on Collaborative Perception [7.889284710970368]
  協調的な知覚により、コネクテッドカーや自動運転車は知覚データを共有することで知覚を改善することができる。 以前の研究は、アタッカーが共有データを作成してオブジェクトを偽造または削除できることを示しているが、現実の運転におけるそのような攻撃の実用性はまだ不明である。 本稿では,エンド・ツー・エンドのシステム効果を通じて,安全でない運転行動を引き起こす,ステルスで現実的なデータ生成攻撃を提案する。
  論文  参考訳（メタデータ） (2026-05-02T07:21:22Z)
• TwinGate: Stateful Defense against Decompositional Jailbreaks in Untraceable Traffic via Asymmetric Contrastive Learning [60.68349524623048]
  分解されたジェイルブレイクは、大きな言語モデルにとって重大な脅威となる。 我々はステートフルなデュアルエンコーダ防御フレームワークであるTwinGateを紹介する。 我々は、8600の異なる悪意のある意図にまたがる360万以上の命令の包括的なデータセットを構築した。
  論文  参考訳（メタデータ） (2026-04-30T13:44:01Z)
• Adversarial Reinforcement Learning for Detecting False Data Injection Attacks in Vehicular Routing [26.815304490490522]
  現代の輸送ネットワークでは、敵は偽データインジェクション攻撃を使用してルーティングアルゴリズムを操作することができる。 我々は,このような摂動を注入するアタッカーと,異常を検出するディフェンダーとの間に,戦略的にゼロサムゲームを定式化する。 このゲームのナッシュ均衡を計算するために,マルチエージェント強化学習に基づく計算手法を提案する。
  論文  参考訳（メタデータ） (2026-03-12T01:53:52Z)
• Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
  ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。 本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。 本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
  論文  参考訳（メタデータ） (2026-02-13T14:57:15Z)
• A Future Capabilities Agent for Tactical Air Traffic Control [0.0]
  エージェント・マラード(Agens Mallard)は、システム化された空域における制御のためのルールベースの戦術的エージェントである。 このアーキテクチャは、モデルに基づく安全性評価、解釈可能な決定論理、およびトラクタブルな計算性能を組み合わせることを意図している。
  論文  参考訳（メタデータ） (2026-01-07T14:19:46Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• AdvGPS: Adversarial GPS for Multi-Agent Perception Attack [47.59938285740803]
  本研究は,マルチエージェント認識システムにおいて,特定のGPS信号が容易に誤認できるかどうかを考察する。 我々は,システム内の個々のエージェントに対してステルス性を持つ逆GPS信号を生成可能なtextscAdvGPSを紹介する。 OPV2Vデータセットに対する実験により、これらの攻撃が最先端の手法の性能を著しく損なうことを示した。
  論文  参考訳（メタデータ） (2024-01-30T23:13:41Z)
• Model Checking for Closed-Loop Robot Reactive Planning [0.0]
  モデル検査を用いて、ディファレンシャルドライブホイールロボットの多段階計画を作成することにより、即時危険を回避できることを示す。 簡単な生物エージェントのエゴセントリックな反応を反映した,小型で汎用的なモデル検査アルゴリズムを用いて,リアルタイムで計画を生成する。
  論文  参考訳（メタデータ） (2023-11-16T11:02:29Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)

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。