論文の概要: Traceable World State: A Provenance-Aware State Representation and Deterministic Replay Framework for Robotic Systems
- arxiv url: http://arxiv.org/abs/2610.12033v1
- Date: Thu, 08 Oct 2026 14:26:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.076663
- Title: Traceable World State: A Provenance-Aware State Representation and Deterministic Replay Framework for Robotic Systems
- Title（参考訳）: トレーサブル・ワールドステート:ロボットシステムのための前向きな状態表現と決定論的リプレイ・フレームワーク
- Abstract要約: 提案するTraceable World State(TWS)は,プロファイランスを意識したロボットの世界状態のセマンティック表現である。
TWSスナップショットはエンティティ、リレーション、観察、信頼性、リビジョンメタデータをキャプチャする。
標準的なSHA-256ハッシュチェーンは、タンパーの明確なログを保証する。
- 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: Robotic systems operating over extended tasks must maintain a world state assembled from observations arriving at different times, with varying confidence and potential revisions. Conventional representations emphasize latest estimates, hindering fact provenance, decision reproduction, or execution auditing. We present Traceable World State (TWS), a middleware-neutral semantic representation and reference runtime for provenance-aware robot world state. A TWS snapshot captures entities, relations, observations, confidence, and revision metadata. Validated update operations transform snapshots immutably, ordered updates support deterministic replay, and a canonical SHA-256 hash chain ensures tamper-evident logs. We evaluate TWS through schema conformance, complete state lifecycles, deterministic replay, and fault injection. Passing 38 tests across Python 3.10-3.14, the framework detects record corruptions, broken hash links, sequence discontinuities, and world mismatches. Across ten public BEHAVIOR-1K task definitions, TWS imported 153 entities and 146 relations with successful validation. On 103 NVIDIA Unitree G1 simulated trajectories containing 78,369 frames, TWS achieved exact terminal-state replay in all episodes and detected 412/412 injected corruptions with a 1.72% storage overhead over Plain JSONL.
- Abstract（参考訳）: 拡張タスク上で動作しているロボットシステムは、異なるタイミングで到着した観測から集められた世界状態を維持し、様々な信頼性と潜在的な修正を行う必要がある。
従来の表現は最新の見積もりを強調し、事実の証明、意思決定の再現、実行監査を妨げる。
本稿では,提案するトレーサブル・ワールドステート(TWS)について述べる。
TWSスナップショットはエンティティ、リレーション、観察、信頼性、リビジョンメタデータをキャプチャする。
検証された更新操作は、スナップショットを不変に変換し、順序付けされた更新は決定論的リプレイをサポートし、標準SHA-256ハッシュチェーンは、改ざんしたログを保証する。
我々は、スキーマ適合性、完全な状態ライフサイクル、決定論的リプレイ、障害注入を通じてTWSを評価する。
Python 3.10-3.14で38のテストに合格し、レコードの破損、ハッシュリンクの破損、シーケンスの不連続、世界ミスマッチを検出する。
10の公開BEHAVIOR-1Kタスク定義で、TWSは153個のエンティティと146個の関係をインポートし、検証に成功した。
TWSは78,369フレームを含む103個のNVIDIA Unitree G1シミュレートされた軌道上で、すべてのエピソードで正確な端末状態のリプレイを達成し、412/412のインジェクトによる破損を検出し、プレインJSONLのストレージオーバーヘッドは1.72%だった。
関連論文リスト
- World Agent: Can Language Models Keep a World Running? [48.26717201282349]
本稿では,納品時点から以降の継続運用まで,世代評価点を移動させる世界エージェントタスクを提案する。
このタスクでは、モデルが世界を生成するよう要求されることはない。世界を維持する責任は、イベントを調整し、その後の進化を抑えるために結果を進めることである。
論文 参考訳（メタデータ） (2026-09-26T14:55:08Z) - CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
VLA(Vision-Language-Action)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が、実行が名目上の軌道から逸脱した後も不安定なままである。
本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
論文 参考訳（メタデータ） (2026-09-21T05:14:34Z) - TyPatch: Transforming Patches into Typestate Rules for Kernel Bug Detection [9.241492644741198]
我々はTyPatchを紹介し、パッチ固有の欠陥セマンティクスをアナライザの実装から分離する。
Linux v6.16では、TyPatchは559の異なるバグを発見し、そのうち121はカーネル開発者によって確認されている。
論文 参考訳（メタデータ） (2026-09-12T05:34:12Z) - Modelstamp: Pre-Deserialization Verification of Machine-Learning Artifacts and Runtime Environment State [0.0]
本稿では,アーティファクトの完全性を検証するための軽量Python永続化ライブラリであるModelstampを提案する。
永続化時には、ModelstampはシリアライズされたアーティファクトとSHA-256ダイジェストランタイムメタデータを含むサイドカーマニフェストを関連付ける。
Modelstampは、14の制御された環境境界シナリオ、8の制御された信頼領域シナリオ、および10 MiBから1 GiBまでのアーティファクトサイズのスケーリングベンチマークを使用して評価される。
論文 参考訳（メタデータ） (2026-09-01T18:50:26Z) - SCOUT: Symmetric Consensus Outlier Detection for Failure Localization in LLM Pre-Training [7.018753691717986]
事前トレーニングでは、同期は、ランクローカルなストール、スローダウン、数値的なエラーをジョブワイドな症状へと伝播し、その起源を隠蔽する。
SCOUTは1つの設計原則に基づいて構築された統一型ランタイム障害局所化フレームワークである。
SCOUTはトレーニングループやフレームワークソースの変更なしに、PyTorch、TorchTitan、Megatron-Core、DeepSpeedと統合されている。
論文 参考訳（メタデータ） (2026-08-11T15:12:14Z) - PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。
セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。
SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。
ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
論文 参考訳（メタデータ） (2026-07-18T04:46:53Z) - PatchWorld: Gradient-Free Optimization of Executable World Models [69.05094454437402]
我々は、オフラインのトラジェクトリを実行可能なPythonの世界モデルに変換する、勾配のないフレームワークであるPatchWorldを紹介します。
7つのAgentGym環境の中で、PatchWorld-Simpleはコードベースの計画スコアが最も高い。
人間の特定残差バイアスは, 表面観察精度を向上するが, 判定性は低下する。
論文 参考訳（メタデータ） (2026-05-29T06:11:14Z) - ClawMark: A Living-World Benchmark for Multi-Turn, Multi-Day, Multimodal Coworker Agents [77.22389710754452]
マルチターンマルチデイタスクを中心に構築された同僚エージェントのベンチマークであるベンチを紹介する。
現在のリリースには、13のプロのシナリオにわたる100のタスクが含まれており、5つのステートフルなサンドボックスサービスに対して実行される。
最強のモデルは75.8の重み付きスコアに達するが、最も厳格なタスク成功率は20.0%に過ぎず、部分的な進歩が一般的であることを示している。
論文 参考訳（メタデータ） (2026-04-26T16:05:02Z)
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。