論文の概要: On Being Prepared: Automated Vehicle Incident Management Exercise Practices

• arxiv url: http://arxiv.org/abs/2609.04777v1
• Date: Fri, 04 Sep 2026 06:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.930395
• Title: On Being Prepared: Automated Vehicle Incident Management Exercise Practices
• Title（参考訳）: 自動車事故自動管理演習の実施について
• Abstract要約: インシデント管理(IM)は、何十年にもわたって発展し、ますます拡大するハザードとシステムをカバーしてきた。 企業のレジリエンスと運用の準備の一環として、IM実践者は、インシデントに効果的かつ効果的に対応する能力を理解し、構築するための演習を設計する。 本稿では,エクササイズを効果的にし,ギャップを識別し,キャパシティを向上する方法について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Incident management (IM) has evolved over recent decades to cover an ever-expanding array of hazards and systems. Barring real-life experience, exercises are a key tool in developing an effective IM program. As part of enterprise resilience and operational readiness, IM practitioners design exercises to understand and build capabilities for efficiently and effectively responding to incidents. Combining research and policy on an emerging transportation technology, automated vehicles (AVs), with established practices for IM, we describe what makes exercises effective and how they can be used to identify gaps and develop capacity. A range of exercise types exist, from workshops, to tabletops, to drills, and to full-scale exercises. Every stage of an exercise - preparing, setting up, facilitating, closing, and assessing - is interconnected and should further the exercise's objectives. AV IM practitioners can maximize the utility of a mature exercise program through exercise quality, diversity, and volume. The need to respond to AV incidents, from collisions to natural hazards, is inevitable. This paper tailors existing practices to a series of frameworks, predicated on the unique socio-technical nature of AVs to provide first-of-its-kind guidance for AV IM exercises. Additionally, these frameworks are company-neutral to enable intercompany and inter-organization collaboration.
• Abstract（参考訳）: インシデント管理(IM)は、何十年にもわたって発展し、ますます拡大するハザードとシステムをカバーしてきた。 実生活経験を保ちながら、エクササイズは効果的なIMプログラムを開発する上で重要なツールである。 企業のレジリエンスと運用の準備の一環として、IM実践者は、インシデントに効果的かつ効果的に対応する能力を理解し、構築するための演習を設計する。 新興輸送技術の研究と政策、自動車両(AV)とIMの確立した実践を組み合わせることで、エクササイズを効果的にし、ギャップを識別し、キャパシティを向上する方法について説明する。 ワークショップ、タブレット、ドリル、フルスケールのエクササイズまで、さまざまな種類のエクササイズが存在する。 エクササイズのすべてのステージ - 準備、セットアップ、ファシリテート、クローズ、評価 - は相互接続され、エクササイズの目標をさらに進めるべきである。 AV IM実践者は、運動の質、多様性、ボリュームを通じて、成熟した運動プログラムの有用性を最大化することができる。 衝突から自然災害まで、AV事故に対応する必要性は避けられない。 本稿では, AV IM 演習の初歩的な指導を行うために, AV のユニークな社会技術的性質を前提とした一連のフレームワークに,既存のプラクティスを適合させる。 さらに、これらのフレームワークは、企業間および組織間コラボレーションを可能にするために、企業中立である。

関連論文リスト

• Adapting Generalist Robot Policies with Semantic Reinforcement Learning [59.009122725071386]
  ジェネラリストロボットポリシーは、大規模な事前訓練から多様な行動のレパートリーを学ぶ。 本稿では,オンラインインタラクションを通じて,このプロンプト空間を最適化するためのセマンティック・アクション強化学習(SARL)を提案する。 我々は、SARLが基本的に新しい機能をアンロックしていることを示します。
  論文  参考訳（メタデータ） (2026-06-30T17:00:33Z)
• Harnessing LLM Agents with Skill Programs [58.356514745548026]
  HASPは、実行可能なプログラム関数(PF)にスキルをアップグレードする新しいフレームワークです。 PFは障害が発生しやすい状態を起動し、次のアクションを変更したり、修正コンテキストを注入する実行可能なガードレールとして機能する。 HASPは、Web検索、数学推論、コーディングタスクにおいて、トレーニング不要とトレーニングベースの両方の手法と比較して、大幅に向上している。
  論文  参考訳（メタデータ） (2026-05-18T01:35:11Z)
• PRIME: Training Free Proactive Reasoning via Iterative Memory Evolution for User-Centric Agent [2.291770711277359]
  PRIMEは継続的エージェント進化のための勾配のない学習フレームワークである。 マルチターン相互作用の軌跡を、構造化された人間可読な体験に蒸留する。 実験の結果,PRIMEは勾配法と競合する性能を示した。
  論文  参考訳（メタデータ） (2026-04-08T23:11:12Z)
• TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
  物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。 我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-09T05:52:13Z)
• MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
  MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。 マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。 6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-03T09:47:49Z)
• Integrating Virtual Reality and Large Language Models for Team-Based Non-Technical Skills Training and Evaluation in the Operating Room [0.5943985865141843]
  我々は,没入型チームシミュレーションと行動分析を統合したマルチユーザバーチャルリアリティ(VR)プラットフォームであるVirtual Operating Room Team Experience (VOR)を紹介した。 VORは、客観的アセスメントと自動化されたデータインフォームドデリゲートのためのスケーラブルでプライバシに準拠したフレームワークを提供する。 2024Sカンファレンスで12人の外科専門家がパイロットセッションを完了し、VORを直感的で没入的で、チームワークやコミュニケーションを開発する上で価値のあるものと評価した。
  論文  参考訳（メタデータ） (2026-01-19T21:34:00Z)
• Beyond Rigid AI: Towards Natural Human-Machine Symbiosis for Interoperative Surgical Assistance [6.832434059337678]
  この研究は、リアルタイム手術支援において、より自然な人間と機械の相互作用を可能にする新しい知覚エージェントを導入している。 我々のエージェントは、直感的な相互作用を通じて、手術シーンにおける既知の要素と見えない要素の両方を分割する柔軟性を提供する。
  論文  参考訳（メタデータ） (2025-07-30T20:42:24Z)
• Efficient Training in Multi-Agent Reinforcement Learning: A Communication-Free Framework for the Box-Pushing Problem [0.5524804393257919]
  本稿では,自己組織化システムのための共有プール(SPI)モデルを提案する。 SPIは、情報を全てのエージェントにアクセスし、調整を容易にし、エージェント間の力の衝突を減らし、探索効率を高める。
  論文  参考訳（メタデータ） (2024-11-19T05:51:10Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Learning to Generate All Feasible Actions [4.333208181196761]
  アクションマッピングは、学習プロセスを2つのステップに分割する新しいアプローチである。 本稿では、実現可能性モデルの自己教師型クエリにより、実現可能なすべてのアクションを生成することを学ぶことで、実現可能性部分に焦点を当てる。 エージェントが接続不能な実行可能なアクションセット間でアクションを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-01-26T23:15:51Z)
• Effective Adaptation in Multi-Task Co-Training for Unified Autonomous Driving [103.745551954983]
  本稿では,3つの下流タスクにおけるMoCoやSimCLRなど,多種多様な自己監督手法の転送性能について検討する。 彼らのパフォーマンスは、サブ最適か、あるいはシングルタスクベースラインよりもはるかに遅れていることに気付きました。 汎用マルチタスクトレーニングのための,単純かつ効果的な事前訓練-適応-ファインチューンパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-19T12:15:31Z)

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。