論文の概要: PanelShield: Verifiable Closed-Loop Safe Planning for Robotic Industrial Panel Operation
- arxiv url: http://arxiv.org/abs/2608.28305v1
- Date: Fri, 28 Aug 2026 13:10:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.336951
- Title: PanelShield: Verifiable Closed-Loop Safe Planning for Robotic Industrial Panel Operation
- Title（参考訳）: PanelShield: ロボットパネル運用におけるクローズドループセーフプランニングの検証
- Abstract要約: PanelShieldは、手動誘導産業用パネル運用のためのクローズドループ安全計画フレームワークである。
これは、最も初期の違反ステップと原因を持つ構造化された反例を生成し、標的となる修復と再検証を可能にする。
その結果、PanelShieldは基本モデルのみの計画ベースラインよりも、複雑な安全制約のあるタスク性能を向上させることがわかった。
- 参考スコア（独自算出の注目度）: 9.275886043674328
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Industrial panel operation is knowledge-intensive and safety-critical. Beyond control recognition and action generation, execution must satisfy constraints in operation manuals and safety regulations. While foundation-model-based planners show strong semantic capability, they typically lack computable, localizable, and reproducible mechanisms for violation detection and repair. To address this, we propose PanelShield, a verifiable closed-loop safety planning framework for manual-guided industrial panel operation. The framework generates parameterized action primitive sequences from task-relevant manual evidence and applies dual formal verification with LTL and a Safety FSM to enforce cross-step temporal correctness and local transition legality. When violations occur, it outputs a structured counterexample with the earliest violating step and cause, enabling targeted repair and re-verification. We build a multi-level long-horizon planning benchmark covering three representative industrial device panels, and evaluate the framework in simulation and real-world robotic experiments. Results show that PanelShield improves complex safety-constrained task performance over foundation-model-only planning baselines while reducing the violation rate to 2.7%, with 4.1 s total latency. Real-world experiments demonstrate end-toend feasibility. Overall, PanelShield offers a verifiable approach to robotic panel operation that balances flexibility, safety, and auditability.
- Abstract（参考訳）: 産業パネルの運用は知識集約的で、安全に重点を置いている。
制御認識とアクション生成の他に、実行は操作マニュアルと安全規則の制約を満たす必要がある。
基礎モデルに基づくプランナーは強い意味的能力を示すが、通常は、欠陥検出と修復のための計算可能、ローカライズ可能、再現可能なメカニズムを欠いている。
そこで本研究では,手動誘導型産業用パネル運用のためのクローズドループ安全計画フレームワークであるPanelShieldを提案する。
本フレームワークは,タスク関連手動エビデンスからパラメータ化アクションプリミティブシーケンスを生成し,LTLとセーフティFSMとの二重形式検証を適用して,時間的時間的正当性と局所遷移の合法性を強制する。
違反が発生した場合、最も初期の違反ステップと原因を持つ構造化された反例を出力し、ターゲットの修復と再検証を可能にする。
我々は,3つの代表的な産業機器パネルをカバーする多段階の長期計画ベンチマークを構築し,シミュレーションおよび実世界のロボット実験の枠組みを評価する。
その結果、PanelShieldは、基本モデルのみの計画ベースラインよりも複雑な安全性に制約のあるタスク性能を改善し、違反率を2.7%に削減し、総レイテンシは4.1秒に短縮した。
実世界の実験はエンド・ツー・エンドの実現可能性を示している。
PanelShieldは、柔軟性、安全性、監査性のバランスをとるロボットパネル操作に対して、検証可能なアプローチを提供する。
関連論文リスト
- MaCoPlanner: LLM-Assisted Manual-Compiled Task Planning with Proactive Safety Verification for Robotic Industrial Panel Operation [8.126153307309611]
MaCoPlannerは、機器マニュアルからコンパイルされた知識に基づいて構築されたタスクプランニングフレームワークである。
MaCoPlannerは最終違反率2.7%に達し、修理分析の26.3%が却下された。
論文 参考訳（メタデータ） (2026-08-28T13:03:07Z) - LLM-Guided Safety Agent for Edge Robotics with an ISO-Compliant Perception-Compute-Control Architecture [35.538479271197076]
エッジロボティクスのためのLLM誘導型安全エージェントを,ISO準拠の低遅延知覚制御アーキテクチャ上に構築した。
提案手法は,自然言語の安全規則を実行可能な述語に変換し,冗長なヘテロジニアスエッジランタイムを通じて展開する。
我々は,このシステムをRK3588プラットフォーム上で試作し,人間とロボットの相互作用の代表的なシナリオで評価した。
論文 参考訳（メタデータ） (2026-04-22T05:20:57Z) - CORA: Conformal Risk-Controlled Agents for Safeguarded Mobile GUI Automation [68.53387633351484]
有害な行為に対する統計的保証を提供するポスト・ポリティクス・プレアクション保護フレームワークであるCORA(Conformal Risk-control GUI Agent)を提案する。
CORAは、安全を選択的行動実行として再定義する:我々は、提案されたステップごとに行動条件リスクを推定するためにガーディアンモデルを訓練する。
このパラダイムを厳格に評価するために、ステップレベルのハーモラベルを持つモバイル安全違反の新しいベンチマークであるPhone-Harmを紹介する。
論文 参考訳（メタデータ） (2026-04-10T09:41:21Z) - JailWAM: Jailbreaking World Action Models in Robot Control [31.442262458957174]
世界行動モデル(WAM)は、将来の世界状態と行動を共同で予測し、従来のモデルと比較してより強力な物理的操作能力を示す。
既存の研究は、重要なセキュリティギャップ、すなわちJailbreak攻撃に対するWAMの脆弱性に非常に注意を払っている。
我々は、WAMのための最初の専用ジェイルブレイク攻撃および評価フレームワークであるJailWAMを提案する。
論文 参考訳（メタデータ） (2026-04-07T06:41:41Z) - BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。
BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
論文 参考訳（メタデータ） (2026-02-23T18:19:46Z) - 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) - UpSafe$^\circ$C: Upcycling for Controllable Safety in Large Language Models [67.91151588917396]
大規模言語モデル(LLM)は、幅広いタスクで顕著な進歩を遂げているが、有害なコンテンツ生成やジェイルブレイク攻撃といった安全リスクに弱いままである。
安全に配慮したリサイクルによるLCMの安全性向上のための統合フレームワークであるUpSafe$circ$Cを提案する。
この結果から, 静的アライメントから動的, モジュール, 推論対応制御への移行という, LLMの安全性の新たな方向性が明らかになった。
論文 参考訳（メタデータ） (2025-10-02T16:43:33Z) - CARE: Decoding Time Safety Alignment via Rollback and Introspection Intervention [68.95008546581339]
Contrastive Decodingのような既存のデコーディングタイムの介入は、安全と応答品質の間に深刻なトレードオフを強いることが多い。
本稿では,3つの重要なコンポーネントを統合した,復号時安全アライメントのための新しいフレームワークであるCAREを提案する。
このフレームワークは、安全性、品質、効率のバランスが良く、有害な応答率が低く、ユーザエクスペリエンスを最小限に破壊できる。
論文 参考訳（メタデータ） (2025-09-01T04:50:02Z) - Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。
次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。
これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
論文 参考訳（メタデータ） (2022-08-23T05:02:09Z)
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。