論文の概要: Escape Without a Recipe: Maneuver-Agnostic Mars Rover Recovery from Granular Entrapment
- arxiv url: http://arxiv.org/abs/2610.24827v1
- Date: Sat, 17 Oct 2026 19:20:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-22 15:54:58.422554
- Title: Escape Without a Recipe: Maneuver-Agnostic Mars Rover Recovery from Granular Entrapment
- Title（参考訳）: 天空非依存の火星ローバーがグラニュラーエントラップメントから回収される
- Abstract要約: 我々は,事前定義された操作をせずに逃げ出すことを学習する反復ポリシーを導入する。
訓練種子5種のうち、平均行動評価は62.5%の脱走を達成している。
実験結果から, シミュレーションシステムの回復が期待できる。
- 参考スコア（独自算出の注目度）: 1.5441222602475004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wheeled planetary rovers immobilised in loose regolith have no principled recovery controller: scripted maneuvers are terrain-specific, and naive driving deepens entrapment. We introduce a recurrent policy that learns to escape without a predefined maneuver. The framework rests on a verified trap: in a continuum material point method (MPM) simulator we identify a configuration at sinkage-to-radius ratio z/r = 2.0 where the strongest of ten scripted controllers succeeds in only 7/32 trials, yet the regolith retains traction and continues to shear, confirming granular entrapment rather than a numerical artifact. A frozen entrapment detector, trained on 81,771 windows spanning three materials and six sinkage levels, supplies a three-state belief to the policy observation. A separate simulator mobility latch gates training rewards. Across five training seeds, mean action evaluation achieves 62.5% escape (range 28.1-81.3%; 32 trials per seed) versus 7/32 for the strongest scripted controller and 0/32 for action noise. A numerical audit identifies a coupling-buffer fault that silently discarded 9.7% of contact nodes at 16 parallel environments. Results establish recovery in the tested simulation regime; physical transfer remains unverified.
- Abstract（参考訳）: ゆるいリゴリスで固定された車輪付きの惑星探査機には、典型的な回復制御装置がない。
我々は,事前定義された操作をせずに逃げ出すことを学習する反復ポリシーを導入する。
連続材料点法(MPM)シミュレータでは、10個のスクリプトコントローラーのうち最強の10台がわずか7/32の試行で成功するようなシンクレーションとラディウスの比 z/r = 2.0 の設定を同定するが、リゴリスはトラクションを保持し続け、数値的なアーティファクトではなく粒状包有物を確認する。
3つの材料と6つの沈み込みレベルにまたがる81,771の窓で訓練された凍結侵入検知器は、政策観測に3つの状態の信念を提供する。
個別のシミュレーターラッチゲートは、トレーニング報酬をトレーニングします。
5つの訓練種のうち平均行動評価は62.5%の脱出率(28.1-81.3%、種当たり32トライアル)であり、最強のスクリプト制御系では7/32、アクションノイズでは0/32である。
数値監査では、16の並列環境において9.7%の接触ノードを静かに破棄したカップリングバッファ障害を特定する。
結果は、試験されたシミュレーションシステムで回復し、物理移動は未検証のままである。
関連論文リスト
- Reward Hacking Challenges Oversight of Autonomous Research Agents [104.38175629103235]
自律的な研究エージェントは実験を設計し、結果を評価し、レポートを書き、科学的結果とそれを支持する証拠の両方を制御できる。
これは、意図した目標を達成することなく、報酬基準を満たす、報酬ハックのリスクを生み出す。
そこで本研究では,ハッキングが許可された場合,その方法がいかに効果的かつ検出可能か,LCMレビューパネルが意思決定と理由を返却した場合にどのように適応するか,などについて検討する。
論文 参考訳（メタデータ） (2026-09-23T17:54:01Z) - Anatomy of a Closed-Loop Collapse: A Causal Case Study of a Compressed VLA Policy [0.0]
圧縮された操作ポリシーは、クローズドループ実行中にオフライン評価をパスすることができる。
自然発生症例の因果解剖に寄与する。
最小ペアの介入は、トレーニングストリームの半分を配置配信の教師ロールアウトに置き換える。
論文 参考訳（メタデータ） (2026-09-19T14:29:25Z) - BenchShield: Formal Model-Backed Instrumentation for Reward Integrity in LLM-Agent Evaluation Infrastructure [47.61632934139226]
LMエージェントベンチマークは、ますますインタラクティブな評価基盤として機能する。
この対話性は、評価を報酬ハッキングに脆弱にする。
本稿では、報酬整合性のためのモデル支援インスツルメンテーション層であるBenchShieldについて述べる。
論文 参考訳（メタデータ） (2026-09-10T03:10:58Z) - Coverage, Not Targeting: A Structural Regime in Multi-Turn Agent Credit Assignment [5.864346468963738]
マルチターンエージェントRLは、ますますターゲット問題としてクレジット割り当てを扱うようになっている。
端末状態検証器は、ターゲットが間違った軸である低V_d方式で深い位置にあることを示す。
論文 参考訳（メタデータ） (2026-09-02T10:37:12Z) - SOLO: Stable Omni-terrain Long-Horizon Perceptive Humanoid Locomotion [41.64988244398264]
地表面の高密度化は行動クリティカルな詳細を円滑にし,時間的信用割当を欠く点の模倣という,2つの複合的な長軸不安定性の原因に対処する統合フレームワークSOLOを提案する。
そのクエリリコンストラクタ(QR)は、フーリエエンコードされたセルクエリを使用して、深さプロプリセプショントークンから空間的に特異的なエビデンスを検索し、鋭い地形境界を保存する。
Trajectory-Aware MSE (TA-MSE) 蒸留は、PPO報酬に対する次世代の教師と学生の意見の不一致を追加し、一般化アドバンテージ推定により、過去の行動に対する将来の不一致を伝播させる。
論文 参考訳（メタデータ） (2026-08-27T03:49:55Z) - Reliability-Asymmetric Spacecraft Autonomy: Co-Designing a Capable Learned GNC Stack with a Verified, Adaptation-Aware Runtime Shield [2.28438857884398]
ルールベースの自律性は認証可能であるが不安定であり、学習された自律性は能力があるが検証するのは難しい。
AMPLE-GNCは3層誘導、ナビゲーション、制御スタックである。
文法制約付き復号化による事前訓練された360Mモデルの微調整は、ハードな出力値保証を与える。
我々は,有能な制御器であっても,ラッチングセーフホールドシールドが抑制可能であることを示す。
論文 参考訳（メタデータ） (2026-06-24T03:55:21Z) - Layer-Isolated Evaluation: Gating the Deterministic Scaffold of a Production LLM Agent with a No-LLM, Regression-Locked Test Harness [45.148328075418156]
デプロイされた注文エージェントは、階層の固定された分類に分解される。
純粋なスイートは、ロックされたスライス単位のベースラインに対して、すべての変更でCIで動作する。
制御されたレグレッションインジェクションにより、安全でない7つの層に一度に1つの層を分解し、検証する。
論文 参考訳（メタデータ） (2026-06-10T05:55:13Z) - Catching One in Five: LLM-as-Judge Blind Spots in Production Multi-Turn Transaction Agents [45.148328075418156]
デプロイされた多ターン食品・飲料注文エージェントについて検討し,実際の品質問題の数を測定した。
私たちの盲点分類は、失敗はランダムではなく構造化されていることを示している。
プロダクションマルチターンエージェントでは、自動判断はリグレッションフロアであり、人間のレビューの代わりにはならない。
論文 参考訳（メタデータ） (2026-06-09T02:11:01Z) - Depth-Dependent Indirect Prompt Injection in Tool-Calling ReAct Agents: Injection Depth, Payload Framing, and Turn-Budget Sensitivity [0.0]
GPT-4o-miniとClaude Haikuに対して,0.36 USD以下のAPIコストで460のトライアルを実施した。
実験1では, GPT-4o-miniに対するASRは深さ1%から5。
研究2は、保守的なツール呼び出しと真の命令抵抗を組み合わせることで、すべての深さで0%のASRを達成するクロード俳句の深さ実験を再現する。
調査4では,ASRがターンキャップ3,5,7で安定であることを確認し,ターン予算がリスク要因ではないことを示した。
論文 参考訳（メタデータ） (2026-05-29T00:28:42Z) - Mind the Sim-to-Real Gap & Think Like a Scientist [44.54570296032634]
我々は,シミュレータを実験で補うべき時期と方法について検討する。
我々はシミュレーション支援実験政策であるFisher-SEPを提案する。
論文 参考訳（メタデータ） (2026-05-20T17:48:14Z) - Architectural Observability Collapse in Transformers [0.0]
トレーニングは、出力信頼が露呈しない内部的な意思決定品質のシグナルを保持します。
信頼制御は、平均60.3%の生プローブ信号を6つのファミリーの14モデルで吸収する。
Llama 3.1 8Bは、同じ32層、32頭、4096面の形状で崩壊する。
論文 参考訳（メタデータ） (2026-04-27T02:39:02Z)
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。