論文の概要: Blackout vs. Freeze: Analyzing Physical Failure Modes of VLAs under Camera Faults

• arxiv url: http://arxiv.org/abs/2609.39145v1
• Date: Wed, 30 Sep 2026 07:11:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.34518
• Title: Blackout vs. Freeze: Analyzing Physical Failure Modes of VLAs under Camera Faults
• Title（参考訳）: ブラックアウト対凍結:VLAの物理的故障モードをカメラ断層下で解析する
• Abstract要約: 信頼性の低い視覚入力はタスクのパフォーマンスを損なう可能性があり、視覚言語アクション(VLA)モデルに対する物理的安全性のリスクを引き起こす。 我々は、イメージブラックアウトや凍結といった入力欠陥の下で0.5ドルとGR00Tモデルがどのように振舞うかを分析する。
• 参考スコア（独自算出の注目度）: 13.55210925189373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unreliable visual inputs can harm task performance and cause potential physical safety risks for vision-language-action (VLA) models. We analyze how $π0.5$ and GR00T models act under input faults such as image blackouts and freezing. We find that blackout and freezing produce distinct physical failure modes even when task-success rates are similarly low: freezing causes more extreme joint behavior, whereas blackout after gripper closure can cause more object drops, most markedly without proprioception. Selective intervention studies reveal that proprioception (current robot state) partly compensates for the removed robot depictions and reduces non-target contact. However, it cannot sufficiently restore task success when wrist-view object information is removed, even when aided by the remaining scene view. We then evaluate two mitigation approaches: camera-blackout training and training-free replacement of faulty visual embeddings. Both improve task success in selected conditions, but can increase unintended contact or disturbance to surrounding objects. Real-robot trials further show that successful execution under camera faults can still involve unintended physical interactions. These findings motivate designing VLA policies that use the robot and object information still available under camera faults to limit hazardous motion.
• Abstract（参考訳）: 信頼性の低い視覚入力はタスクのパフォーマンスを損なう可能性があり、視覚言語アクション(VLA)モデルに対する物理的安全性のリスクを引き起こす可能性がある。 我々は,イメージブラックアウトや凍結といった入力欠陥の下で,$π0.5$およびGR00Tモデルがどのように振舞うかを分析する。 凍結はより極端な関節行動を引き起こすが、グリップ閉鎖後のブラックアウトはより多くの物体の落下を引き起こすが、特にプロプレセプションなしでは顕著である。 選択的介入研究により、プロトリオセプション(現在のロボット状態)が除去されたロボットの描写を部分的に補償し、非標的接触を減らすことが明らかとなった。 しかし、残りのシーンビューで助けられた場合であっても、手首ビューオブジェクト情報が削除された場合、タスク成功を十分に回復することはできない。 次に、カメラブラックアウトトレーニングと、欠陥のある視覚埋め込みのトレーニング不要置換の2つの緩和アプローチを評価する。 どちらも選択された条件下でのタスク成功を改善するが、意図しない接触や周囲の物体への障害を増大させる可能性がある。 リアルロボットの試行は、カメラの故障下での実行が成功しても意図しない物理的相互作用が伴うことをさらに示している。 これらの発見は、危険な動きを制限するために、まだカメラの故障下で利用可能なロボットとオブジェクト情報を使用するVLAポリシーの設計を動機付けている。

関連論文リスト

• Learning to Act under Visual Interruptions with Vision-Language-Action Models [24.391879026948306]
  視覚言語アクション(VLA)モデルは、ロボット操作において強力な能力を示している。 それらは通常、タスク実行を通じて利用可能なすべてのカメラストリームで開発され、評価される。 VLAモデルによる視覚的中断を評価するベンチマークであるMAIL-Benchを紹介する。 視覚的入力を欠く場合、まずVLAポリシーを継続するように訓練するMINTを提案する。
  論文  参考訳（メタデータ） (2026-09-28T12:06:49Z)
• ActFovea: Runtime Safeguarding for VLA Policies via Spatiotemporal Visual-Action Consistency [23.6841289206823]
  視覚言語アクション(VLA)ポリシーは、ロボット操作において強力なパフォーマンスを達成する。 それらは、視覚的な観察、ロボットの状態、実行中の動作の時間的アライメントを損なうランタイム障害に対して脆弱である。 本稿では,ActFoveaについて紹介する。ActFoveaは,VLAポリシーの再トレーニングや修正を行うことなく,そのような障害を検出し緩和する,プラグアンドプレイのセーフガードフレームワークである。
  論文  参考訳（メタデータ） (2026-07-31T08:47:57Z)
• HumanCLAW: Can Vision-Language Models Act Through a Body? [85.21844574299055]
  視覚言語モデルが身体を通して作用するかどうかを評価することは難しい。 我々は,低レベルの実行から行動決定を分離する評価フレームワークであるHumanCLAWを紹介する。 我々はHumanCLAW-Bench: 1,218のロングホライゾン、エゴセントリックなファイン・ナビゲート・インタラクションのエピソードを、41の屋内シーンで制作しました。
  論文  参考訳（メタデータ） (2026-07-29T17:51:36Z)
• SoftVTBench: A Safety-Aware Visuo-Tactile Benchmark for Physically Constrained Robotic Manipulation of Deformable Objects [56.16187327142104]
  We present SoftVTBench, a safety-aware visuo-tactile benchmark for deformable object operation。 有限要素シミュレートされた変形可能な物体を持つアイザック・シムで構築されたSoftVTBenchは、多視点RGB観察、マーカーの動きによる触覚センシング、プロプレセプション、言語指示を提供する。
  論文  参考訳（メタデータ） (2026-07-05T11:12:29Z)
• Foresight: Failure Detection for Long-Horizon Robotic Manipulation with Action-Conditioned World Model Latents [58.49879338545782]
  ロングホライゾンタスクは、現実のロボット展開では一般的なものだが、そのようなタスクの障害検出は未調査のままである。 動作条件付き世界モデルからの潜在表現を用いて、操作軌跡をモニタする故障検出フレームワークであるForesightを提案する。 この結果から, 動作条件付きワールドモデル埋め込みは, 長距離操作における信頼性のある故障監視のためのスケーラブルな表現を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-06-22T09:32:28Z)
• Uncovering Vulnerability of Vision-Language-Action Models under Joint-Level Physical Faults [7.207198416919797]
  リアルロボットは、アクチュエータの劣化、ハードウェアの故障、安全限界、衝突損傷、摩耗による摩擦などによる関節レベルの変化を経験することができる。 これらの欠陥は、政策のアクション・ツー・モーション・インタフェースを変更し、命令された行動、実現された動作、およびその後の観察の間の学習された閉ループ関係を乱すため、重要である。 本稿では,凍結したビジョン・ランゲージ・アクション(VLA)ポリシー上に構築された軽量リザーブ・キャリブレーション・フレームワークであるJ-PARCを提案する。
  論文  参考訳（メタデータ） (2026-06-09T07:26:25Z)
• Health-Conditioned Vision-Language-Action Models for Malfunction-Aware Robot Control [9.298859661007887]
  本稿では,ロボット関節の動作角度とトルク能力に関する情報を提供する入力として,健康ベクトルを入力として用いた誤動作対応VLAを紹介する。 我々は,リベロ・空間課題の遠隔操作エピソード128件を収集する。 以上の結果から, 軽量化により, 変形した関節の異なる構成で, モデルが正常に動作できることが示唆された。
  論文  参考訳（メタデータ） (2026-05-15T15:21:39Z)
• DreamAvoid: Critical-Phase Test-Time Dreaming to Avoid Failures in VLA Policies [65.27025563507961]
  本稿では,ビジョン・ランゲージ・アクション(VLA)モデルのためのクリティカルフェーズテストタイムドリームフレームワークであるDreamAvoidを提案する。 また、自律的な境界学習パラダイムを導入し、成功と失敗の微妙な境界に対するシステムの理解を深める。 その結果、DreamAvoidは失敗を効果的に回避し、全体的なタスク成功率を改善することができた。
  論文  参考訳（メタデータ） (2026-05-12T08:27:16Z)
• FreezeVLA: Action-Freezing Attacks against Vision-Language-Action Models [124.02734355214325]
  Vision-Language-Action(VLA)モデルはロボティクスの急速な進歩を加速している。 敵画像はVLAモデルを「凍結」し、その後の命令を無視する。 FreezeVLAは、min-maxバイレベル最適化を通じて、アクション凍結攻撃を生成し、評価する。
  論文  参考訳（メタデータ） (2025-09-24T08:15:28Z)

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。