論文の概要: Interruption-Aware Recurrent Reinforcement Learning for UAS Navigation Under Temporary Overrides

• arxiv url: http://arxiv.org/abs/2610.28121v1
• Date: Tue, 20 Oct 2026 12:30:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.815712
• Title: Interruption-Aware Recurrent Reinforcement Learning for UAS Navigation Under Temporary Overrides
• Title（参考訳）: 一時オーバーライド時のUASナビゲーションにおける断続型繰り返し強化学習
• Abstract要約: エージェントが権限を取り戻すと、割り込みが繰り返しポリシーにどう影響するかを検討する。 割り込みコンテキスト上での繰り返し処理を条件とした3つの割り込み対応アーキテクチャを提案する。 その結果、安全な割り込みは安全なハンドバックを保証せず、回復力のあるUAS自律性を実現するために割り込みを意識したリカレント設計をサポートすることが明らかとなった。
• 参考スコア（独自算出の注目度）: 11.281905080903899
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safe autonomous navigation of UASs requires tactical deconfliction to address conflicts that strategic coordination cannot prevent. This task is challenging under partial observability, when sensor or traffic data are missing, delayed, or degraded. Geometry-based methods can offer separation assurances but face limitations in dense encounters. Recurrent reinforcement learning has therefore been proposed to learn navigation policies that integrate observation-action histories to optimise long-term safety-efficiency trade-offs. However, operational safeguards may require a remote pilot, onboard detect-and-avoid system, or runtime assurance mechanism to temporarily override the learned policy. A research gap remains in understanding how these interruptions affect recurrent policies when the agent regains authority. Benchmark evidence shows that interruptions make task variables less decodable from the recurrent hidden state and increase post-interruption collision risk. The findings suggest that altered recurrent context prolongs post-handback degradation through an action-observation feedback loop, in which changed actions alter the flight path and subsequent recurrent updates. To address this vulnerability, we propose three interruption-aware architectures that condition recurrent processing on interruption context through separate feature streams, dedicated interruption memory, or gated environmental features. Across simulations, all three architectures preserve more decodable task information than a standard recurrent policy. Moreover, the strongest architecture reduces post-interruption collisions by 74% and interruption-induced mission failures by 69% relative to the recurrent baseline, without degrading interruption-free performance. These results show that safe interruption does not guarantee safe handback, and support interruption-aware recurrent design for resilient UAS autonomy.
• Abstract（参考訳）: UASの安全な自律航法は、戦略的調整が防げない紛争に対処するために戦術的な分離を必要とする。 このタスクは、センサーや交通データが欠落したり、遅れたり、劣化したりする場合、部分的な可観測性の下では困難である。 幾何学に基づく手法は、分離保証を提供するが、密接な出会いにおいて制限に直面している。 そのため、長期的安全効率トレードオフを最適化するために、観測行動履歴を統合するナビゲーションポリシーを学ぶために、繰り返し強化学習が提案されている。 しかし、運用上のセーフガードは、学習したポリシーを一時的にオーバーライドするために、リモートパイロット、オンボードの検知・回避システム、実行時の保証メカニズムを必要とする可能性がある。 エージェントが権限を取り戻すとき、これらの中断がリカレントポリシーにどのように影響するかを理解するための研究のギャップが残っている。 ベンチマークエビデンスによると、割り込みによってタスク変数が繰り返し発生する隠蔽状態から退避しにくくなり、中断後の衝突リスクが増大する。 その結果,リカレント・コンテクストの変化は,飛行経路やその後の更新を変更した場合に,アクション・オブザーブレーションフィードバックループを通じてハンドバック後の劣化を延長することが明らかとなった。 この脆弱性に対処するために,2つの割り込み処理を分離した特徴ストリーム,専用割り込みメモリ,あるいはゲート型環境特徴を通じて,割り込みコンテキストに条件付けする3つの割り込み対応アーキテクチャを提案する。 シミュレーション全体を通じて、3つのアーキテクチャは、標準の繰り返しポリシーよりもデオード可能なタスク情報を保存している。 さらに、最強アーキテクチャは中断後の衝突を74%減らし、割り込みによるミッション障害を69%減らし、割り込みのない性能を低下させる。 これらの結果から、安全な割り込みは安全なハンドバックを保証せず、回復力のあるUAS自律性を実現するために割り込みを意識したリカレント設計をサポートすることが示唆された。

関連論文リスト

• Safe Reinforcement Learning with Receding-Horizon Safety Critic and Differentiable Action Shields [15.851015588609501]
  我々は、次の後退する地平線で国家が無期限に終了するかどうかを予測する、後退する水平安全批判を学ぶ。 我々は、予測された安全性を改善するためにポリシーアクションを最小限に調整する、CBFスタイルの識別可能な安全フィルタを導出する。 擬似四足歩行では, 動作騒音, 外部摂動, 地形変化によるロバスト性の向上が期待できる。
  論文  参考訳（メタデータ） (2026-10-14T14:25:46Z)
• Temporal Gradient Inversion for Private Trajectory Reconstruction in Embodied Reinforcement Learning [19.048900288614234]
  TRACEは、段階ごとの方針学習勾配から、自己回帰的にプライベートな観測行動軌跡の配列を再構築する、時間的勾配反転攻撃である。 保持された実施シーンでは、TRACEは18.8ドルPSNRに達し、復元フレームあたり3ドル～4.5ドルmsのほぼ完全なアクションリカバリを実現した。 防御実験は、時間勾配ストリームを保護するにはシーケンシャル・アウェア・プライバシ・メカニズムが必要であることを示唆している。
  論文  参考訳（メタデータ） (2026-09-24T17:59:18Z)
• Rollback the World, Keep the Reflection: Rollback-Induced Reflection for Long-Horizon LLM Agents [56.434418859203085]
  大規模言語モデル(LLM)エージェントは、多段階の環境相互作用を通じて、長い水平タスクに対処する。 単一の誤動作は、その後の状態や観測を変更でき、時間とともにエラーが複雑になる。 信頼性回復はロールバック境界制御問題として扱われるべきである。
  論文  参考訳（メタデータ） (2026-09-16T08:26:14Z)
• Safety in Self-Evolving Agents: A Survey [65.20955577335691]
  大きな言語モデル(LLM)は強力な汎用能力を示すが、そのパラメータは通常、デプロイ後に固定され、新しいインタラクションからの学習が制限される。 経験が再利用可能な状態になり、過去の出来事が将来の原因になり、ある文脈で無害な情報が後により大きな永続性、権威、あるいは範囲で決定に影響を与える可能性がある。 私たちは、再利用可能な影響を特定する移行中心のフレームワークであるSAVERを導入し、Adaptationは変更の仕方を捉え、Violationは破損した安全属性を特定し、障害が観測可能な露出マークを識別し、Responseは封じ込め、修復、取り消しを評価します。
  論文  参考訳（メタデータ） (2026-09-08T05:04:40Z)
• Reassembling Distributed Risk: Trajectory-Conditioned Action Generation for Multi-Turn Agent Safety [12.022506016268112]
  マルチターン分解攻撃では、有害な目的を個別にもっともらしい要求とツールコールに分散することができる。 本稿では,軌跡レベルのセキュリティ証拠に対して行動生成を条件とした世代防衛である分散リスク(ReDiR)を提案する。 我々はReDiRを3つのモデルファミリーと8つのホールドアウトツールドメインにまたがる2つのエージェントセーフティベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-08-26T12:28:35Z)
• Safe Remediation as Risk-Constrained Intervention Decision in Microservice Systems [2.1686718805804976]
  現代のITオペレーション(IT-Ops)では、不正な修理のコストは、アクションのコストをまったく上回ることが多い。 このギャップを埋めるためには, (i) リスク制約のある介入決定問題として安全な修復を再構築し, (ii) 三次元的リスク分解を導入し, (iii) コンテキスト適応型ヒューマン・イン・ザ・ループ(HITL)ゲートを設計し, バイナリ・フェイルセーフから帯域幅対応制御層に転換する。
  論文  参考訳（メタデータ） (2026-07-22T10:43:14Z)
• Reward-free Pretraining for Reinforcement Learning via Occupancy Coverage Maximization [31.035684025590417]
  スパース報酬は、エージェントが目標に到達するまで情報信号を受け取らないため、強化学習において中心的な課題となる。 本稿では,下流タスク時間におけるスパース報酬に迅速に適応するトランスファー可能な探索ポリシーを事前訓練する手法を提案する。
  論文  参考訳（メタデータ） (2026-06-19T09:47:38Z)
• 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)
• Making LLMs Reliable When It Matters Most: A Five-Layer Architecture for High-Stakes Decisions [51.56484100374058]
  現在の大規模言語モデル(LLM)は、実行前にアウトプットをチェックできるが、不確実な結果を伴う高い戦略決定には信頼性が低い検証可能な領域で優れている。 このギャップは、人間と人工知能(AI)システムの相互認知バイアスによって引き起こされ、そのセクターにおける評価と投資の持続可能性の保証を脅かす。 本報告では、7つのフロンティアグレードLDMと3つの市場向けベンチャーヴィグネットの時間的圧力下での系統的質的評価から生まれた枠組みについて述べる。
  論文  参考訳（メタデータ） (2025-11-10T22:24:21Z)
• CARE: Decoding Time Safety Alignment via Rollback and Introspection Intervention [68.95008546581339]
  Contrastive Decodingのような既存のデコーディングタイムの介入は、安全と応答品質の間に深刻なトレードオフを強いることが多い。 本稿では,3つの重要なコンポーネントを統合した,復号時安全アライメントのための新しいフレームワークであるCAREを提案する。 このフレームワークは、安全性、品質、効率のバランスが良く、有害な応答率が低く、ユーザエクスペリエンスを最小限に破壊できる。
  論文  参考訳（メタデータ） (2025-09-01T04:50:02Z)

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。