論文の概要: ReAP: From Visual Failure Recognition to Action-Conditioned Risk Prediction for Runtime Failure Monitoring

• arxiv url: http://arxiv.org/abs/2610.16309v1
• Date: Mon, 12 Oct 2026 07:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 06:31:10.835555
• Title: ReAP: From Visual Failure Recognition to Action-Conditioned Risk Prediction for Runtime Failure Monitoring
• Title（参考訳）: ReAP: 視覚的障害認識から実行時障害監視のための行動規定リスク予測へ
• Abstract要約: 既存のモニターは、提案された行動の今後の結果を明示的に予測することなく、現在の観測や政策信号からリスクを推定する。 本稿では,視覚的障害認識と動作条件付き障害予測を組み合わせた将来のランタイム監視フレームワークであるReAPを紹介する。 シミュレーションと実世界における多様なロボットポリシーに対する実験では、ReAPが障害検出精度と警告タイムラインを効果的にバランスしていることが示されている。
• 参考スコア（独自算出の注目度）: 11.568187316376017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite rapid progress, generalist robot policies remain brittle during execution. Reliable deployment therefore requires runtime monitoring that provides timely warnings of failure. Existing monitors commonly estimate risk from current observations or policy signals without explicitly predicting the future consequences of proposed actions. To anticipate such risks before action execution, we introduce ReAP, a future-aware runtime monitoring framework that combines visual failure recognition with action-conditioned failure prediction. Specifically, ReAP first trains a visual detector on successful and failed rollouts to learn a failure-relevant representation space and estimate current risk. An action-conditioned predictor then forecasts the resulting future representation in this space to estimate future failure risk. At runtime, the detector and predictor provide complementary signals for current-state failure recognition and future-aware risk assessment. Experiments across diverse robot policies in simulation and the real world demonstrate that ReAP effectively balances failure-detection accuracy and warning timeliness.
• Abstract（参考訳）: 急速な進歩にもかかわらず、一般のロボット政策は実行中も不安定である。 そのため、信頼性の高いデプロイメントには、障害のタイムリーな警告を提供するランタイム監視が必要である。 既存のモニターは、提案された行動の今後の結果を明示的に予測することなく、現在の観測や政策信号からリスクを推定する。 このようなリスクをアクション実行前に予測するために,視覚的障害認識と動作条件付き障害予測を組み合わせた将来のランタイム監視フレームワークであるReAPを導入する。 具体的には、ReAPはまず、失敗に関連する表現空間を学習し、現在のリスクを推定するために、成功して失敗したロールアウトに対して視覚検出器を訓練する。 アクション条件付き予測器は、この空間における結果の将来の表現を予測し、将来の失敗リスクを推定する。 実行時に、検出器と予測器は、現在の障害認識と将来のリスク評価のための補完的な信号を提供する。 シミュレーションと実世界における多様なロボットポリシーに対する実験では、ReAPが障害検出精度と警告タイムラインを効果的にバランスしていることが示されている。

関連論文リスト

• Looking Back to Move Forward: Temporal Verification for Generative Robot Policies [53.428667457759055]
  表現的生成行動モデリングと大規模実演コーパスからのスケーラブルな模倣学習を組み合わせた,ロボット学習のための有望なパラダイムとして生成ポリシーが登場した。 本稿では,フローマッチングVLAのための時空間認識型動作検証フレームワークTeVを紹介する。
  論文  参考訳（メタデータ） (2026-09-30T05:41:58Z)
• Visual Tripwires: Anticipating Failure in Deep Vision Systems [0.04666493857924358]
  予測信頼性フレームワークであるVisual Tripwiresを導入し、モデル動作の時間的不安定性を利用して、差し迫った障害を予測します。 軽量のトリップワイヤ予測器は、これらの信号を時間窓に集約し、故障の確率を推定する。 実験により、提案された不安定信号は予測的劣化の前に出現し、より早くより正確な故障警告を提供することが示された。
  論文  参考訳（メタデータ） (2026-09-23T13:29:26Z)
• ReconVLA: An Uncertainty-Guided and Failure-Aware Vision-Language-Action Framework for Robotic Control [7.018221049093963]
  視覚-言語-アクション(VLA)モデルは、視覚観察と自然言語命令を連続的なアクションシーケンスにマッピングできる汎用ロボットコントローラとして登場した。 ReconVLAは、不確実性誘導および故障認識制御信号を生成する信頼性の高いコンフォメーションモデルである。 以上の結果から, 共形行動予測は失敗予測を継続的に改善し, 破滅的エラーを低減し, 基礎となるVLAを調整・修正することなく信頼度を調整できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-17T20:20:43Z)
• RiskProp: Collision-Anchored Self-Supervised Risk Propagation for Early Accident Anticipation [16.390547433087185]
  事故予測は、ダッシュカムビデオからの差し迫った衝突を予測し、早期警報を発生させることを目的としている。 既存の手法は、手動で注釈付けされた「アノマリー・オンセット」フレームによるバイナリ・インスペクションに依存している。 本稿では,早期の事故予測のための自己監督型リスク伝搬パラダイムであるリスクプロップを提案する。
  論文  参考訳（メタデータ） (2026-03-28T07:04:16Z)
• Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
  ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。 本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。 本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
  論文  参考訳（メタデータ） (2026-02-13T14:57:15Z)
• Failure Prediction at Runtime for Generative Robot Policies [6.375597233389154]
  実行中の早期の障害予測は、人間中心で安全クリティカルな環境でロボットをデプロイするために不可欠である。 本稿では,フェールデータを必要としない生成ロボットポリシーの故障予測フレームワークであるFIPERを提案する。 その結果、FIPERは実際の障害と良質なOOD状況とをよく区別し、既存の手法よりも正確に早期に障害を予測できることがわかった。
  論文  参考訳（メタデータ） (2025-10-10T15:09:27Z)
• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• Reimagination with Test-time Observation Interventions: Distractor-Robust World Model Predictions for Visual Model Predictive Control [51.14656121641822]
  世界モデルは、現在の観測と計画された行動によって、ロボットが将来の観察を「想像」することができる。 新たな視覚的障害は、行動結果の予測を破損させ、ロボットが計画や行動検証のために世界モデルの想像力に依存するとき、下流の障害を引き起こす可能性がある。 本稿では、世界モデルによるより信頼性の高い行動結果の予測を可能にする簡易かつ効果的なテストタイム戦略であるReOI(Reimagination with Observation Intervention)を提案する。
  論文  参考訳（メタデータ） (2025-06-19T19:41:29Z)
• Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
  早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。 安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。 本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-28T23:00:30Z)

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。