論文の概要: A Simulation Platform for AUV Fault Recovery: Exploring LLM-Based Diagnostic Strategies

• arxiv url: http://arxiv.org/abs/2609.20620v1
• Date: Thu, 17 Sep 2026 16:03:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.365705
• Title: A Simulation Platform for AUV Fault Recovery: Exploring LLM-Based Diagnostic Strategies
• Title（参考訳）: AUV故障回復のためのシミュレーションプラットフォーム:LCMに基づく診断戦略を探る
• Abstract要約: Invokable Large Language Model (LLM) は、オンボードの異常検出が期待される限界外のパフォーマンスを識別する際、診断および回復プランナーとして機能する。 本稿では,リアルタイムC車載ソフトウェアと物理ベースの故障注入のための高レベルのオーケストレーション層を結合したクローズドループシミュレーションアーキテクチャを提案する。 480以上のSPAR試験を行い、フロンティアモデルとオフザシェルフの3つのローカル展開可能なLLMを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous underwater vehicles (AUVs) operating beyond reliable communications must recover from failures without human intervention. We investigate an architecture in which conventional deterministic layered control autonomy manages normal operations, while an invokable large language model (LLM) serves as a diagnostic and recovery planner when onboard anomaly detection identifies performance outside expected limits. Because language models are stochastic, rigorous evaluation requires ensemble testing rather than individual demonstrations. We present a closed-loop simulation architecture that couples real-time C vehicle software with a higher-level orchestration layer for physics-based fault injection, structured prompting, language-model interaction, mission file generation, validation, execution, and LLM-judge scoring. The framework, which we call SPAR (Simulation Platform for AUV Recovery), supports evaluation across fault realizations, prompt structures, reasoning models, and mission conditions. We vary these for a mass-shift fault over 480 SPAR trials, evaluating a frontier model and three off-the-shelf locally deployable LLMs. Model choice dominates diagnosis: the frontier model places the CG-shift mechanism in its top three hypotheses in 85-90% of trials, versus 60-78% for the best local model. Reasoning analysis indicates that local-model success is associated with following the complete diagnostic procedure, whereas weaker models often commit prematurely to elevator failure even though the actuator tracks its command. Diagnosis and operational decision performance do not appear to be coupled in this dataset. The contributions are an architecture extending unanticipated-fault recovery from detection to mitigation and an ensemble methodology for evaluating LLM-assisted mission management on low-power AUVs.
• Abstract（参考訳）: 信頼性の高い通信以上の自律型水中車両(AUV)は、人間の介入なしに故障から回復しなければならない。 本稿では,従来の決定論的階層化制御が通常の操作を管理するアーキテクチャについて検討する。一方,異常検出により期待範囲外の性能が検出された場合,起動不能な大規模言語モデル(LLM)が診断・回復プランナとして機能する。 言語モデルは確率的であるため、厳密な評価には個々のデモンストレーションよりもアンサンブルテストが必要である。 本稿では,リアルタイムC車載ソフトウェアと物理ベースの高レベルのオーケストレーションレイヤ,構造化プロンプト,言語-モデル間相互作用,ミッションファイル生成,検証,実行,LCM-judgeスコアを結合したクローズドループシミュレーションアーキテクチャを提案する。 私たちがSPAR(Simulation Platform for AUV Recovery)と呼ぶこのフレームワークは、障害実現、素早い構造、推論モデル、ミッション条件に対する評価をサポートする。 480以上のSPAR試験を行い、フロンティアモデルとオフザシェルフの3つのローカル展開可能なLLMを評価した。 モデル選択は診断に支配的であり、フロンティアモデルは試験の85～90%でCGシフト機構を上位3つの仮説に配置する。 推論解析は、局所モデルの成功は、完全な診断手順に従うことと関連していることを示しているが、弱いモデルは、アクチュエータが指令を追跡しても、早期にエレベータの故障にコミットすることが多い。 診断と運用上の判断性能は、このデータセットには結合していないようだ。 コントリビューションは、検知から緩和までの予期せぬフォールト回復を延長するアーキテクチャと、低出力AUV上でLLM支援ミッション管理を評価するためのアンサンブル方法論である。

関連論文リスト

• Large Language Models for HVAC Operations in Building Energy Systems: A Critical Review of Methods, Applications, and Deployment Readiness [37.40191091259043]
  自動化システムの構築は、不均一なポイント命名、メタデータの欠如、断片化されたドキュメントのために、リッチなセンサデータを生成するが、洞察力に乏しいままである。 2023年から2026年にかけて発行されたHVACオペレーションのための大規模言語モデル(LLM)に関する66のピアレビュー研究を体系的にレビューする。
  論文  参考訳（メタデータ） (2026-09-04T16:08:05Z)
• MoE Proxy Models for Low-Cost Failure Reproduction and Diagnosis in LLM RL Post-Training [34.36661723828892]
  本稿では,Huawei Ascendプラットフォーム上での大規模RLトレーニングにおいて発生する障害を系統的に解析する。 低コストな断層調査と補助診断のためのプロキシモデル構築法を提案する。 実験の結果, プロキシモデルでは, アクセラレーション要求を50%-87.5%削減し, ステップ毎のNPU時間あたりの33.3倍のコスト削減を実現していることがわかった。
  論文  参考訳（メタデータ） (2026-08-11T11:50:48Z)
• Hierarchical Fault Localization for Autonomous Driving Systems with Hypothesis Validation and Intent Analysis [14.387618464803774]
  本稿では,仮説検証と意図解析に基づく階層型ADS断層定位のための2段階フレームワークHINTを提案する。 フェーズ1では、HINTは障害トリガ実行レコードをマルチモーダル抽象化に変換する。 フェーズIIでは、設計側の意図と実装側の振る舞いを再構築し、信頼性を意識した整合性チェックを通じて不審なコードをローカライズする。
  論文  参考訳（メタデータ） (2026-07-14T10:17:01Z)
• Safe and Adaptive Cloud Healing: Verifying LLM-Generated Recovery Plans with a Neural-Symbolic World Model [9.794020127306473]
  Planning-Aware Semantic Self-Healing Engine PASEは、新しいフォールト自己修復フレームワークである。 本フレームワークは,LLMに基づく推論とモデル支援検証,メタ学習指導を統合して,自律的なシステム管理を推進している。 実世界のクラウドフォールトインジェクションデータセットの実験では、PASEが最先端の手法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2026-07-02T01:45:30Z)
• On Predicting the Post-training Potential of Pre-trained LLMs [60.07459271263409]
  本稿では,ポストトレーニング前のベースモデルの性能予測という,ポストトレーニング後の潜在能力を予測するための新しいタスクを紹介する。 本稿では,応答判別を活用することで,ベースモデルの生成ギャップを回避できる統一フレームワークであるRuDEを提案する。 実験では、トレーニング後のパフォーマンスと90%以上の相関を示す。
  論文  参考訳（メタデータ） (2026-05-12T11:33:49Z)
• CellScientist: Dual-Space Hierarchical Orchestration for Closed-Loop Refinement of Virtual Cell Models [62.281480231694]
  VCM(Virtual Cell Modeling)は、摂動応答を予測できるだけでなく、予測が失敗した場合にターゲットリビジョンをサポートするモデルを必要とする。 現在のLCM支援モデリングでは、予測誤差が実行可能実装を通して観測されるという改善ルーティング問題に直面している。 提案するCellScientistは,高レベル仮説空間と低レベル実行可能実装空間を結合した,二重空間階層型フレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T06:40:24Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• ProbeLLM: Automating Principled Diagnosis of LLM Failures [89.44131968886184]
  ProbeLLMはベンチマークに依存しない自動探索フレームワークで、個々の障害から構造的障害モードへの脆弱性発見を増大させる。 ProbeLLMは、検証可能なテストケースにプローブを制限し、ツールの拡張された生成と検証を活用することで、信頼性のある証拠として障害発見を根拠とする。
  論文  参考訳（メタデータ） (2026-02-13T14:33:13Z)
• LLM-YOLOMS: Large Language Model-based Semantic Interpretation and Fault Diagnosis for Wind Turbine Components [5.383947139043873]
  本研究では, YOLOMSと大規模言語モデル(LLM)を組み合わせて, インテリジェントな故障解析と診断を行う統合フレームワークを提案する。 特に, YOLOMSでは, マルチスケール検出とスライディング・ウインドウ・クリーピングを採用し, 断層特徴抽出の高度化を実現している。 このモジュールは、YOLOMS検出結果を定性的属性と量的属性の両方に富んだ構造化テキスト表現に変換する。
  論文  参考訳（メタデータ） (2025-11-13T15:14:34Z)
• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)

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。