論文の概要: CrossSafe: Towards Cross-Embodiment Latent Safety Filters
- arxiv url: http://arxiv.org/abs/2609.28984v2
- Date: Wed, 30 Sep 2026 16:33:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:25.55272
- Title: CrossSafe: Towards Cross-Embodiment Latent Safety Filters
- Title（参考訳）: CrossSafe: クロス・エボディメント・ラテント・セーフティ・フィルタを目指して
- Abstract要約: クロスエンボディメント学習は、視覚言語アクション(VLA)モデルのような単一のモデルが状態表現や操作スキルを学習できることを示した。
本研究では,ハミルトン・ヤコビの到達可能性に基づく値関数とそれに対応する安全性最大化ポリシーをロボット間で共有する実施条件付き安全フィルタリングを提案する。
- 参考スコア（独自算出の注目度）: 1.5335713879217925
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-embodiment learning has shown that a single model, such as a vision-language-action (VLA) model, can learn state representations and manipulation skills that can be applied across heterogeneous robots to accomplish various tasks. We hypothesize that the same holds for safety enforcement. The reasoning required to satisfy a safety constraint, such as detecting an obstacle, recognizing that it should be avoided, and selecting a safe abstract action, is largely shared across robots. What differs across embodiments is how the abstract safe action is realized: morphology, kinematics, and dynamics determine which actions are safe and feasible. Consequently, the same action can be safe for one robot and unsafe for another. This is especially important for generalist manipulation policies that operate in a common end-effector action space without explicitly capturing how safety depends on the robot's morphology and kinematics. We propose embodiment-conditioned safety filtering, in which a Hamilton-Jacobi reachability-based value function and its corresponding safety-maximizing policy are shared across robots. Using a morphology-aware latent representation of the robot and its environment, we perform Hamilton-Jacobi reachability analysis directly in latent space so that the learned safety concepts can generalize across embodiments while remaining explicitly conditioned on each robot's morphology and kinematics. We evaluate our approach across five bimanual robot embodiments and five manipulation tasks with whole-body collision-avoidance constraints. Our results show that a single policy, jointly trained across five manipulation tasks and four embodiments, exhibits zero-shot generalization to a held-out embodiment, reducing the nominal policy's collision rate. They also show that training using more embodiments improves generalization.
- Abstract（参考訳）: クロスエボディメント学習は、視覚言語アクション(VLA)モデルのような単一のモデルが、異種ロボットにまたがって様々なタスクをこなすことのできる状態表現や操作スキルを学習できることを示した。
我々は、安全執行にも同じことが当てはまると仮定する。
障害物の検出、回避すべきことの認識、安全な抽象行動の選択など、安全上の制約を満たすために必要な推論は、主にロボット間で共有される。
形態学、キネマティクス、ダイナミクスはどのアクションが安全で実現可能かを決定する。
したがって、同じ行動は1つのロボットにとって安全であり、他のロボットにとっては安全ではない。
これは、一般的なエンドエフェクタアクション空間で機能する汎用的な操作ポリシーにおいて特に重要であり、ロボットの形態や運動学にいかに安全性が依存するかを明示的に把握しない。
本研究では,ハミルトン・ヤコビの到達可能性に基づく値関数とそれに対応する安全性最大化ポリシーをロボット間で共有する実施条件付き安全フィルタリングを提案する。
ロボットとその環境のモルフォロジーを意識した潜在性表現を用いて,学習された安全概念を各ロボットの形態と運動学に明示的に調和させながら,エンボディメント全体にわたって一般化できるように,ハミルトン・ヤコビの到達性分析を潜時空間で直接行う。
本研究は,全体衝突回避制約を伴う5つのロボットの実施状況と5つの操作課題にまたがるアプローチを評価する。
その結果,5つの操作課題と4つの実施形態を共同で訓練した1つの政策が,保持された実施形態へのゼロショット一般化を示し,名目上の政策の衝突率を低下させることがわかった。
彼らはまた、より多くの実施形態を用いたトレーニングが一般化を改善することも示している。
関連論文リスト
- Hydra-0: Action Flow for Generalist World Modeling and Control [64.88849745875753]
Hydra-0はアクションフローを条件とした世界モデルであり、ロボットの動きをピクセルの動きとして表現している。
我々の最良の構成は、90.4%のロボットモーションエラー、60.2%のオブジェクトモーションエラーを達成する。
訓練されたアクションヘッドは、タスク固有の専門家ロボットのデモンストレーションを必要とせずに、得られた潜在機能を実行可能なアクションにマッピングする。
論文 参考訳（メタデータ） (2026-08-18T17:59:30Z) - GSAM: A Generalizable and Safe Robotic Framework for Articulated Object Manipulation [24.801658783977015]
人工物体操作は、サービスロボットにとってユニークな課題である。
既存の手法では、エンドツーエンドのポリシー学習、視覚計画、大規模言語/視覚言語モデル(LLM/VLM)が採用されている。
本稿では,汎用的で安全なオブジェクト操作のためのロボットフレームワークであるGSAMを提案する。
論文 参考訳（メタデータ） (2026-05-29T02:09:17Z) - Evaluating Gemini Robotics Policies in a Veo World Simulator [69.23071832313246]
我々はフロンティアビデオ基盤モデル(Veo)に基づく生成的評価システムを導入する。
このシステムは、ロボットアクションコンディショニングとマルチビュー一貫性をサポートするよう最適化されている。
我々は、Gemini Roboticsのポリシーチェックポイント8つと、バイマニュアルマニピュレータのための5つのタスクの1600以上の実世界の評価を通じて、これらの能力を検証した。
論文 参考訳（メタデータ） (2025-12-11T14:22:14Z) - ANNIE: Be Careful of Your Robots [48.89876809734855]
エンボディドAIシステムに対する敵の安全攻撃に関する最初の体系的研究について述べる。
すべての安全カテゴリーで攻撃の成功率は50%を超えている。
結果は、実証済みのAIシステムにおいて、これまで未調査だったが、非常に連続的な攻撃面を露呈する。
論文 参考訳（メタデータ） (2025-09-03T15:00:28Z) - Generalizing Safety Beyond Collision-Avoidance via Latent-Space Reachability Analysis [6.267574471145217]
Hamilton-Jacobi (H) は、ロボットが安全でない状態を同時に検出し、アクションを生成するための厳格なフレームワークである。
生観測データを直接操作する潜在空間到達性であるLa Safety Filtersを提案する。
論文 参考訳（メタデータ） (2025-02-02T22:00:20Z) - Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。
私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。
学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
論文 参考訳（メタデータ） (2024-05-02T17:56:55Z) - Safe Reinforcement Learning on the Constraint Manifold: Theory and Applications [21.98309272057848]
本稿では,学習に基づくロボットシステムに対して,複雑な安全制約を原則的に課す方法について述べる。
我々のアプローチは、安全ロボット構成の集合を表すConstraint Manifoldの概念に基づいている。
実世界のロボットエアホッケータスクにおいて,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-04-13T20:55:15Z) - Deception Game: Closing the Safety-Learning Loop in Interactive Robot
Autonomy [7.915956857741506]
既存の安全手法は、ロボットが実行時に学習し適応する能力を無視することが多く、過度に保守的な行動を引き起こす。
本稿では,ロボットの進化する不確実性を明示的に考慮した安全制御ポリシを合成するための,新しいクローズドループパラダイムを提案する。
論文 参考訳（メタデータ） (2023-09-03T20:34:01Z) - 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) - Transferring Foundation Models for Generalizable Robotic Manipulation [82.12754319808197]
インターネット規模の基盤モデルによって生成された言語推論セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。
提案手法は,オブジェクトのポーズを効果的かつ堅牢に知覚し,サンプル効率のよい一般化学習を可能にする。
デモは提出されたビデオで見ることができ、より包括的なデモはlink1またはlink2で見ることができます。
論文 参考訳（メタデータ） (2023-06-09T07:22:12Z)
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。