論文の概要: AutoAgent0: An Agentic Runtime for Safe Closed-Loop Driving

• arxiv url: http://arxiv.org/abs/2610.18866v1
• Date: Tue, 13 Oct 2026 17:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:33:23.028256
• Title: AutoAgent0: An Agentic Runtime for Safe Closed-Loop Driving
• Title（参考訳）: AutoAgent0: 安全なクローズドループ運転のためのエージェントランタイム
• Abstract要約: エージェントランタイムとハーネスフレームワークであるAutoAgent0を導入し、既存の運転専門家に補完的な検出スキル、ルールベースのアクション検証、フィードバック駆動リカバリを付加する。 長距離および安全クリティカルシナリオにおけるシングルエキスパート実行に対する閉ループロバスト性の向上を実証した。
• 参考スコア（独自算出の注目度）: 61.924851163300076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safe autonomous driving requires more than accurate planning at a single frame: it demands reliable closed-loop execution in dynamic environments. Although end-to-end driving policies have advanced rapidly, the accumulated closed-loop errors, especially in unseen scenarios, can push vehicles into states from which the same policy struggles to recover. We address the challenge by treating closed-loop driving safety as a test-time execution problem. We introduce AutoAgent0, an agentic runtime and harness framework that augments existing driving experts with complementary detection skills, rule-based action verification, and feedback-driven recovery. To address inaccurate scene perception, an independent detection module constructs scene context using complementary perception skills, and a rule-based verifier checks proposed trajectories against this context before execution. When the nominal trajectories are unreliable, the orchestrator of the runtime activates Recovery Planning, where an agentic loop constructs alternative action proposals from action primitives and iteratively refines them using verification feedback. This design combines independent scene assessment with feasibility checks and online recovery, addressing both perception errors and the limited recovery capabilities of individual experts. Evaluations on Fail2Drive and NavSafe-$\infty$ demonstrate improved closed-loop robustness over single-expert execution in long-tail and safety-critical scenarios. These results demonstrate that runtime supervision can improve closed-loop robustness across multiple driving experts without retraining the underlying policies.
• Abstract（参考訳）: 安全な自動運転には、単一のフレームでの正確な計画以上のものが必要です。 エンドツーエンドの運転ポリシーは急速に進歩しているが、特に目に見えないシナリオにおいて、蓄積したクローズドループエラーは、同じ方針が回復に苦しむ州に車両を押し込む可能性がある。 テスト時間実行問題として、クローズドループ運転安全性を扱い、課題に対処する。 エージェントランタイムとハーネスフレームワークであるAutoAgent0を導入し、既存の運転専門家に補完的な検出スキル、ルールベースのアクション検証、フィードバック駆動リカバリを付加する。 不正確なシーン認識に対処するため、独立検出モジュールは相補的な認識スキルを用いてシーンコンテキストを構築し、ルールベースの検証器は実行前にこのコンテキストに対して提案されたトラジェクトリをチェックする。 名目的トラジェクトリが信頼できない場合、ランタイムのオーケストレータがリカバリプランニングを起動し、エージェントループがアクションプリミティブから代替アクション提案を構築し、検証フィードバックを使って反復的に洗練する。 このデザインは、独立したシーンアセスメントとフィジビリティチェックとオンラインリカバリを組み合わせることで、個々の専門家の認識エラーと限られたリカバリ能力の両方に対処する。 Fail2DriveとNavSafe-$\infty$の評価は、ロングテールおよびセーフティクリティカルシナリオにおけるシングルエキスパート実行よりもクローズループロバスト性が改善されたことを示している。 これらの結果は、実行時の監視が、基礎となるポリシーを再トレーニングすることなく、複数の駆動専門家間のクローズドループロバスト性を改善することを実証している。

関連論文リスト

• Self-Reflection Fine-Tuning: Enhancing Agent Security against Prompt Injection Attacks from Failure Experience [83.9792313419956]
  Self-Reflection Fine-Tuning(SRFT)は、エージェントが自身の障害経験から学習することで堅牢性を向上させるためのトレーニングフレームワークである。 我々はこのフレームワークをLlama-3.1-8B-InstructとQwen3-8B上に構築したSR-Agentでインスタンス化し、静的および適応的なプロンプトインジェクションベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-10-03T03:45:44Z)
• RefineDrive: Reliable Failure-Guided Learning for Vision-Language-Action Driving [16.68571039427634]
  自動運転のためのビジョンランゲージ・アクション(VLA)モデルは、専門家によるデモンストレーションの成功に大きく依存している。 これらの失敗から学ぶことは、信頼性の低い診断、不一致の修正ターゲット、粗い報酬によって妨げられる。 本稿では、自己生成障害から学習する、障害誘導後トレーニングフレームワークRefineDriveを提案する。
  論文  参考訳（メタデータ） (2026-09-28T13:01:25Z)
• CyberLLM: A Multi-Agent LLM Framework for Autonomous Detection and Guarded Response in Automotive Cybersecurity [22.68559728326395]
  CyberLLMは、脆弱性を自律的に検出し、正式なランタイム安全ガードの下で修正を実行するフレームワークである。 決定エージェントは発見を集約し、人間中心のアセット分類でタグ付けし、タイレッド応答を選択する。 対称攻撃パイプラインはエクスプロイトを生成し再生し、両方のサイドを同じシナリオで実行することができる。
  論文  参考訳（メタデータ） (2026-08-06T23:39:13Z)
• Operational Hallucination and Safety Drift in AI Agents [0.3823356975862005]
  ツール使用自律エージェントのプランナーとして機能する大規模言語モデル(LLM)は、マルチターン実行における動的信頼性のリスクを導入する。 本稿では,複数のLLM(Safety Drift)とOperational Hallucination(Operational Hallucination)の2つの障害モードを実証的に特徴付ける。 本稿では、インテント-アクション整合性チェック、状態追跡、強制終了プリミティブを組み込んだ、軽量でプラグ&プレイのアーキテクチャ青写真であるAction-Aware Supervision Layerを提案する。
  論文  参考訳（メタデータ） (2026-07-20T17:01:50Z)
• ToolChain-CRC: Conformal Risk Control for Agentic AI Under Retrieval and Tool-Use Drift [0.0]
  ドリフト中の検索・ツール利用エージェントに対する共形リスク制御手法であるToolChain-CRCを提案する。 この方法は各エージェントを行動、観察、最終的な出力の完全な軌跡として扱う。 ステップレベルのリスクスコアを構築し、それらを軌道上のリスクスコアに組み合わせ、アクセプションまたはインターベンルールを校正し、いつでもアラームを追加します。
  論文  参考訳（メタデータ） (2026-06-16T20:27:37Z)
• On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment [54.30690671490447]
  既存の安全アライメント信号は、主に応答レベルまたは政治外である。 FATEは、検証済みの失敗を専門家のデモンストレーションなしで修復管理に変換する。 FATEは攻撃成功率を33.5%、有害なコンプライアンスを82.6%削減し、外的軌道安全診断を6.5%改善する。
  論文  参考訳（メタデータ） (2026-05-12T09:56:28Z)
• Rewind-IL: Online Failure Detection and State Respawning for Imitation Learning [7.445072780282545]
  提案するRewind-ILは,生成アクションチャンク模倣ポリシーのためのトレーニングフリーオンラインセーフガードフレームワークである。 Rewind-ILは、TIDE(Temporal Inter-chunk Discrepancy Estimate)に基づくゼロショット故障検知器と、状態再起動機構を結合する。 オンラインのRewind-ILは、重複するアクションチャンクの自己整合性を監視し、チェックポイントライブラリと類似性を追跡し、失敗すると、実行を最新の検証された安全な状態に戻す。
  論文  参考訳（メタデータ） (2026-04-17T20:41:14Z)
• 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)
• RoboSafe: Safeguarding Embodied Agents via Executable Safety Logic [56.38397499463889]
  視覚言語モデル(VLM)を利用するエージェントは、複雑な現実世界のタスクを実行する能力がますます高まっている。 しかし、安全でない行動を引き起こす可能性のある危険な指示に弱いままである。 提案するRoboSafeは,実行可能述語ベースの安全ロジックを通じて,エージェントを具体化するためのランタイムセーフガードである。
  論文  参考訳（メタデータ） (2025-12-24T15:01:26Z)

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。