論文の概要: When Information is Worth the Risk: Behavioral Valuation for Hazardous Robotic Exploration
- arxiv url: http://arxiv.org/abs/2609.10726v1
- Date: Wed, 09 Sep 2026 18:20:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.107914
- Title: When Information is Worth the Risk: Behavioral Valuation for Hazardous Robotic Exploration
- Title（参考訳）: 情報の価値が危険であるとき--危険ロボット探査における行動評価
- Abstract要約: 危険なロボット探査では、安全でない地形、放射線、火災、鉱山、構造的な損傷などの空間的リスクをロボットがマップする必要がある。
本稿では,この問題に対する評価層ビューを紹介する。
評価パラメータが高情報/高リスクパスと低情報/低リスクパスの切替境界を生成することを示す。
- 参考スコア（独自算出の注目度）: 1.7534486934148557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hazardous robotic exploration requires robots to map spatial risks, such as unsafe terrain, radiation, fire, mines, or structural damage, while operating where collecting information can itself cause failure. A highly informative path may expose the robot to hazards, terminate execution, and prevent future observations. Hazardous exploration therefore requires deciding not only where uncertainty is largest, but when reducing it is worth the risk. This paper introduces a valuation-layer view of this problem. We keep the belief update, sensor model, physical risk model, and finite-horizon informative planner fixed, and change only the scalar objective used to rank feasible paths. Within this framework, we introduce a risk-augmented Behavioral Information objective based on Prelec probability weighting, yielding an interpretable family of conservative-to-aggressive information-risk valuations. Theoretically, we show that valuation parameters create switching boundaries between high-information/high-risk and lower-information/lower-risk paths, and induce a transformed Pareto-frontier structure over feasible exploration policies. Large-scale failure-truncated grid-world experiments show that valuation alone reshapes the information-risk frontier. Shannon information planning remains a strong raw-information baseline, while risk-aware objectives can reduce hazard exposure and robot losses by avoiding failures that truncate future sensing. Risk-augmented Behavioral valuation is Pareto-competitive with standard risk-aware baselines and provides interpretable conservative and intermediate regimes. These results support a framework in which robots reason not only about how much uncertainty an action reduces, but whether that reduction is worth the risk required to obtain it.
- Abstract（参考訳）: 危険なロボット探査では、安全でない地形、放射線、地雷、構造的損傷などの空間的リスクをロボットがマップし、情報収集自体が失敗する可能性がある。
非常に情報性の高い経路は、ロボットを危険に晒し、実行を中止し、将来の観察を防ぐことができる。
したがって、有害な調査では、不確実性が最も大きい場所だけでなく、それを減らす場合のリスクも決定する必要がある。
本稿では,この問題に対する評価層ビューを紹介する。
我々は、信念更新、センサモデル、物理的リスクモデル、有限水平情報プランナーを固定し、実現可能な経路のランク付けに使用するスカラー目的だけを変更する。
本枠組みでは,プレレク確率重み付けに基づくリスク増大行動情報目標を導入し,保守的で攻撃的な情報リスク評価を行う。
理論的には、評価パラメータは、高情報/高リスクパスと低情報/低リスクパスの切替境界を作成し、実現可能な探索ポリシーよりもパレート・フロンティア構造を変換することを示す。
大規模な失敗に苦しむグリッドワールド実験は、バリュエーションだけが情報リスクのフロンティアを再認識していることを示している。
シャノン情報プランニングは依然として強力な生情報ベースラインであり、リスクを意識した目的は、将来のセンシングを阻害する障害を避けることによって、ハザード露光やロボットの損失を減らすことができる。
リスク強化行動評価は、標準的なリスク認識ベースラインとパレート競合し、解釈可能な保守的および中間的体制を提供する。
これらの結果は、ロボットがアクションがどれだけ不確実性を減らすかだけでなく、その減少がそれを得るのに必要なリスクに値するかどうかを判断する枠組みを支持する。
関連論文リスト
- RiskWorld: Object-Centric Latent World Modeling for Autonomous Driving Risk Identification [30.32162964871242]
RiskWorldはオブジェクト中心の潜在世界モデルであり、エゴ車に対する各候補の想像上の進化からリスクを特定する。
ロールアウトをオブジェクトレベルのリスクスコアにデコードし、将来の予測と時間リスク予測を補助的にサポートする。
リスクベンチでは、リスクワールドが63.0%、フェイルアラームレートが2.1%である。
論文 参考訳（メタデータ） (2026-08-12T02:52:04Z) - Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。
安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-14T01:23:09Z) - Emergent Strategic Reasoning Risks in AI: A Taxonomy-Driven Evaluation Framework [63.74295981594549]
大規模言語モデル(LLM)は、自身の目的を達成する行動に関与している。
これには、詐欺(故意に誤解を招くユーザや評価者)、評価ゲーム(安全テスト中のパフォーマンスを戦略的に操作する)、報酬ハッキングなどが含まれる。
自動行動リスク評価のための分類駆動型エージェントフレームワークであるESRRSimを紹介する。
論文 参考訳（メタデータ） (2026-04-23T23:44:01Z) - Uncertainty-Aware Vision-based Risk Object Identification via Conformal Risk Tube Prediction [7.840136094141999]
既存のアプローチは意思決定を行い、不確実性を無視します。
これらの課題にもかかわらず、現在の手法には、空間と時間にわたって共同でリスクの不確実性をモデル化する原則的な枠組みが欠如している。
本稿では, リスクの原則的不確実性を把握し, 真のリスクに対するカバレッジ保証を提供し, 不確実性を考慮した校正リスクスコアを生成するコンフォーマルリスク予測統一定式化を提案する。
論文 参考訳（メタデータ） (2026-03-25T04:13:42Z) - Frontier AI Risk Management Framework in Practice: A Risk Analysis Technical Report v1.5 [61.787178868669265]
この技術レポートは、サイバー犯罪、説得と操作、戦略上の詐欺、制御されていないAIR&D、自己複製の5つの重要な側面について、更新されきめ細かな評価を提示する。
この作業は、現在のAIフロンティアのリスクに対する理解を反映し、これらの課題を軽減するための集団行動を促します。
論文 参考訳（メタデータ） (2026-02-16T04:30:06Z) - Beta Distribution Learning for Reliable Roadway Crash Risk Assessment [21.371420424228077]
道路交通事故は世界的な健康危機であり、毎年100万人以上が死亡し、多くの国がGDPの最大3%を犠牲にしている。
伝統的な交通安全研究は、しばしば、構築された環境に固有の空間的複雑さと文脈的相互作用を見越して、孤立中のリスク要因を調べる。
本稿では,衛星画像を包括的空間入力として活用する新しいディープラーニングフレームワークを提案する。
このアプローチにより, 致命的な事故リスクに寄与する環境リスク要因や環境パターンを把握できる。
論文 参考訳（メタデータ） (2025-11-07T00:08:55Z) - Context-Aware Risk Estimation in Home Environments: A Probabilistic Framework for Service Robots [2.5695499302569327]
本稿では,サービスロボットにおけるリアルタイムのリスク認識向上を目的とした,日常の屋内シーンにおける事故発生地域を推定するための新しい枠組みを提案する。
提案手法は,セマンティックグラフに基づく伝搬アルゴリズムを用いて,オブジェクトレベルのリスクとコンテキストをモデル化する。
提案手法は,人間に注釈を付けたリスク領域を持つデータセット上で検証され,リスク検出精度は75%である。
論文 参考訳（メタデータ） (2025-08-27T11:14:05Z) - Frontier AI Risk Management Framework in Practice: A Risk Analysis Technical Report [51.17413460785022]
本報告では,フロンティアリスクの包括的評価について述べる。
サイバー犯罪、生物学的および化学的リスク、説得と操作、制御不能な自律型AIR&D、戦略的騙しと計画、自己複製、共謀の7つの分野における重要なリスクを特定します。
論文 参考訳（メタデータ） (2025-07-22T12:44:38Z) - Answer, Refuse, or Guess? Investigating Risk-Aware Decision Making in Language Models [63.559461750135334]
言語モデル(LM)は、目標を達成するために自律的に行動可能なエージェントを構築するために、ますます使われています。
本研究では,人為的リスク構造を体系的に変化させる評価枠組みを用いて,この「回答または延期」問題を考察する。
回答や判断に要する独立したスキルを分離した簡易なスキル分解手法が,LMの意思決定ポリシーを一貫して改善できることがわかった。
論文 参考訳（メタデータ） (2025-03-03T09:16:26Z) - Risks and NLP Design: A Case Study on Procedural Document QA [52.557503571760215]
より具体的なアプリケーションやユーザに対して分析を専門化すれば,ユーザに対するリスクや害の明確な評価が可能になる,と我々は主張する。
リスク指向のエラー分析を行い、リスクの低減とパフォーマンスの向上を図り、将来のシステムの設計を通知する。
論文 参考訳（メタデータ） (2024-08-16T17:23:43Z) - Learning Risk-aware Costmaps for Traversability in Challenging
Environments [16.88528967313285]
トラバーサビリティコストの分散を頑健に学習するためのニューラルネットワークアーキテクチャを導入する。
ロボットの生命維持をモチベーションとするので,テールリスクの学習の観点から,この学習課題に取り組む。
提案手法は,0から1の間で所望の確率リスク閾値が与えられた場合,期待されるテールリスクを確実に学習することを示す。
論文 参考訳（メタデータ） (2021-07-25T04:12:03Z)
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。