論文の概要: Coding Agents with an Obstacle-Aware Harness for Safe Robot Manipulation

• arxiv url: http://arxiv.org/abs/2609.20822v1
• Date: Thu, 17 Sep 2026 17:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.433354
• Title: Coding Agents with an Obstacle-Aware Harness for Safe Robot Manipulation
• Title（参考訳）: 安全ロボットマニピュレーションのための障害物認識型符号化エージェント
• Abstract要約: コーディングエージェントはロボット操作のための有望なパラダイムとして登場した。 我々は,ロボットが触れるべきでない障害物と,各タスクが操作目標をペアリングする安全制約の下でそれらを評価した。 本稿では、安全制約の優先順位付けを可能にする2つの障害物認識ハーネスをモデルに装備するSafeHarnessを提案する。
• 参考スコア（独自算出の注目度）: 25.388350905374054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coding agents have emerged as a promising paradigm for robot manipulation: a language model writes the robot controller as a program, and agents built in this way now operate robots without robot-specific training.Whether this paradigm is also safe, however, has not been asked. We evaluate coding agent under a safety constraint, where each task pairs a manipulation goal with an obstacle the robot must not touch. The agent pursues the goal but collides with the obstacle in most cases, treating task completion as its sole objective while neglecting safety. The agent reasons about the obstacle in its traces, and the prompt already forbids touching it, so neither perception nor instruction is at fault; the fault lies in the planning, where the stated constraint never becomes a priority. By decomposing manipulation into a route phase and a contact-rich moment, we locate the source of the failure. Along the route, the model cannot prioritize the safety constraint, having no notion of a clearing route and none of replanning once a chosen route becomes infeasible. At the contact, it is unaware that contact execution is bounded by the same constraint. To close this gap, we present SafeHarness, which equips the model with two obstacle-aware harnesses that enable it to prioritize the safety constraint. Obstacle-aware route planning grounds the objects as bounding boxes and draws candidate routes over them as sequences of waypoints. The agent then plans a route in advance, verifies it, replans when necessary, and only then executes it. Obstacle-aware contact execution instead selects the contact position so that the contact itself avoids the obstacle. SafeHarness attains 71.9% task success and 87.5% collision avoidance, surpassing the previous SOTA by 6.5% and 27.0%, respectively. These results are $2.3\times$ and $1.5\times$ those of the same agent without harnesses.
• Abstract（参考訳）: プログラミングエージェントはロボット操作のための有望なパラダイムとして登場し、言語モデルがロボットコントローラをプログラムとして記述し、この方法で構築されたエージェントはロボット固有のトレーニングなしでロボットを操作する。 安全制約下では,各タスクが操作目標とロボットが触れてはならない障害とをペアリングする。 エージェントは目標を追求するが、ほとんどの場合障害と衝突し、安全を無視しながらタスク完了を唯一の目的とする。 エージェントは、そのトレースの障害と、それに触れるプロンプトが既に禁じられているため、知覚も指示も誤りではない。 経路位相と接触量の多いモーメントに操作を分解することで、障害の原因を見つける。 経路に沿って、モデルは安全制約を優先順位付けすることができず、クリアルートの概念がなく、選択された経路が実現できなくなると再計画もできない。 接触時には、接触実行が同じ制約で束縛されていることに気づかない。 このギャップを埋めるために、セーフハーネス(SafeHarness)というモデルに2つの障害物認識ハーネスを装備し、安全制約の優先順位付けを可能にする。 障害物対応経路計画では、オブジェクトをバウンディングボックスとして配置し、候補ルートをウェイポイントのシーケンスとして描画する。 エージェントは事前にルートを計画し、検証し、必要に応じて再計画し、実行します。 障害物対応の接触実行は代わりに接触位置を選択するので、接触自体が障害物を回避することができる。 SafeHarnessは71.9%のタスク成功と87.5%の衝突回避を達成した。 これらの結果は、2.3\times$と1.5\times$のハーネスを持たない同じエージェントのものである。

関連論文リスト

• Bridging Semantics and Physics with Constrained LLMs for Safe and Trustworthy Robotic Manipulation [6.975054201075641]
  言語誘導ロボットは、正しいように見える計画を作る以上のことをしなければならない。 計画は、運動と衝突の制約の下で物理的に実現不可能でありながら、言語学的に有効なように見える。 推論実行境界を型付き契約として形式化し、このギャップを埋めます。
  論文  参考訳（メタデータ） (2026-08-29T17:26:20Z)
• Physical Agentic AI: An Architecture for Orchestrating a Robot Crew with LLMs [6.2312877626161205]
  本稿では,スキルグラウンドロボットエージェントオーケストレーションのためのフレームワークであるPhysical Agentic AIを紹介する。 ロボットオーケストレーションレイヤは、スキルライブラリ、ロボット状態、名前付きロケーション、ワークフローコントラクトを非アクチュエータミッションプランナに公開する。 我々は,ガゼボで全条件で全ミッションが実行され,ドローン-UGV検索・ディスパッチミッションを評価する。
  論文  参考訳（メタデータ） (2026-08-23T23:35:31Z)
• VLESA: Vision-Language Embodied Safety Agent for Human Activity Monitoring [60.53395558502203]
  Vision-Language Embodied Safety Agent (VLESA)は、自我中心のビデオから人間の活動を監視する。 VLESAは、コンテキストに応じて同一のアクションが安全または危険である意図に依存した安全性に対処する。 目標を共同で推測し,映像から将来の行動を予測するための意図-行動予測エージェントを提案する。
  論文  参考訳（メタデータ） (2026-06-02T17:42:17Z)
• Propagating Unsafe Actions in LLM Controlled Multi-Robot Collaboration via Single Robot Compromise [26.689718481370903]
  大規模言語モデル (LLMs) は、インテリジェンスにおける一般的なプランナーとしてますます使われている。 対戦相手が単一のエントリーロボットのみと対話するマルチロボットシステムに対する新たな攻撃パラダイムを提案する。 私たちはこのプロセスを3つのメトリクス、服従、伝染、ステルスネスで定量化します。
  論文  参考訳（メタデータ） (2026-05-15T05:45:52Z)
• Auditing Agent Harness Safety [81.22315979618612]
  LLMエージェントは、ツールをディスパッチし、リソースを割り当て、特別なコンポーネント間でメッセージをルーティングする実行ハーネスの中でますます動作します。 ほとんどの安全ベンチマークは最終出力または終端状態のみをスコアするが、多くの違反は終端ではなく、軌道の途中で発生する。 HarnessAuditは、境界コンプライアンス、実行の忠実さ、システムの安定性など、完全な実行軌跡を監査するフレームワークである。
  論文  参考訳（メタデータ） (2026-05-14T02:14:28Z)
• Pro-HOI: Perceptive Root-guided Humanoid-Object Interaction [57.252599851031505]
  本稿では,知覚根誘導型ヒューマノイドオブジェクトインタラクション,Pro-HOIを紹介する。 Pro-HOIは、堅牢なヒューマノイドロコ操作のための一般化可能なフレームワークである。 ユニツリーG1ロボットの実証検証は、Pro-HOIが一般化と堅牢性においてベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2026-03-01T14:19:59Z)
• Language-Conditioned Path Planning [68.13248140217222]
  LACO(Language-Conditioned Collision Functions)は、単一ビューイメージ、言語プロンプト、ロボット構成のみを使用して衝突関数を学習する。 LACOはロボットと環境の衝突を予測し、オブジェクトアノテーション、ポイントクラウドデータ、地平線オブジェクトメッシュを必要とせずに、柔軟な条件付きパス計画を可能にする。 シミュレーションと実世界の両方において、LACOは衝突を禁止せず、衝突の安全な物体との相互作用を可能にする複雑な、ニュアンスのある経路計画を促進することを実証している。
  論文  参考訳（メタデータ） (2023-08-31T17:56:13Z)
• Learning Vision-based Pursuit-Evasion Robot Policies [54.52536214251999]
  我々は、部分的に観察可能なロボットの監督を生成する完全観測可能なロボットポリシーを開発する。 我々は、RGB-Dカメラを搭載した4足歩行ロボットに、野生での追従回避のインタラクションにポリシーを展開させる。
  論文  参考訳（メタデータ） (2023-08-30T17:59:05Z)

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。