論文の概要: Active Reachability Learning for Humanoid Recoverability Monitoring

• arxiv url: http://arxiv.org/abs/2610.33317v1
• Date: Fri, 23 Oct 2026 21:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.300402
• Title: Active Reachability Learning for Humanoid Recoverability Monitoring
• Title（参考訳）: ヒューマノイド回収可能性モニタリングのためのアクティブリーチ可能性学習
• Abstract要約: 回復不可能なフォールを予想するランタイムモニタは、フォールバックをトリガーする時間に間に合う。 我々は、このタスクを、与えられたフォールバックポリシーの有限水平回復可能性エンベロープの学習として定式化する。 本手法は, 監視範囲と精度を大幅に改善し, 実世界のハードウェアへのゼロショット転送に成功している。
• 参考スコア（独自算出の注目度）: 5.9535699822923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying humanoid task policies requires reliable runtime monitors that anticipate unrecoverable falls in time to trigger a fallback. We formulate this task as learning the stochastic, finite-horizon recoverability envelope of a given fallback policy. Synthesizing this monitor is challenging: existing methods assume training data naturally covers the recoverability envelope, yet acquiring such data remains a major bottleneck for contact-rich systems. Consequently, they recover only a fraction of the true envelope, leaving them prone to optimistic hallucinations for out-of-distribution (OOD) inputs. We resolve this via a unified framework that iterates between value learning and active exploration. Data exploration is reframed as a reach-avoid problem, where an uncertainty-guided explorer systematically uncovers unseen states while avoiding confidently unrecoverable regions. This loop is further supported by a combined Temporal Difference and Monte Carlo objective for accurate in-distribution value prediction and reliable uncertainty estimation. By explicitly treating the remaining high-uncertainty regions as unrecoverable, the monitor mitigates optimistic OOD hallucinations. Evaluated on stochastic benchmarks and a 29-DoF Unitree G1 humanoid, our approach drastically improves monitor coverage and accuracy and successfully transfers zero-shot to real-world hardware.
• Abstract（参考訳）: ヒューマノイドタスクポリシのデプロイには、回復不可能なフォールを予測してフォールバックを引き起こす、信頼性の高いランタイムモニタが必要である。 我々は,この課題を,所定のフォールバックポリシの確率的,有限水平回復性エンベロープの学習として定式化する。 既存の方法は、トレーニングデータが回復可能性エンベロープを自然にカバーしていると仮定するが、そのようなデータを取得することは、コンタクトリッチシステムにとって大きなボトルネックである。 その結果、真のエンベロープのごく一部しか回収できず、アウト・オブ・ディストリビューション(OOD)の入力に対して楽観的な幻覚を与える傾向にある。 価値学習と積極的な探索を反復する統一されたフレームワークによってこれを解決します。 データ探索は到達不能な問題として再編成され、不確実性の誘導された探検家が、確実な発見不可能な領域を避けながら、体系的に見えない状態を明らかにする。 このループは、正確な分布内値予測と確実な不確実性推定のために、時間差分とモンテカルロの目標の組み合わせによってさらに支持される。 残りの不確実領域を明示的に保存不能とすることで、モニターは楽観的なOOD幻覚を緩和する。 確率的ベンチマークと29-DoFのUnitree G1ヒューマノイドに基づいて,本手法はモニタのカバレッジと精度を大幅に改善し,ゼロショットを現実世界のハードウェアに転送することに成功した。

関連論文リスト

• Deep Epistemic Value Functions for Optimistic Exploration [32.80410217696872]
  DEVOTEはモデルのない強化学習アルゴリズムで、不確実性が観測データを超えてどのように一般化するかを制御する。 我々は,DEVOTEが新しい状態に到達し,モデルフリーやモデルベース探索ベースラインよりも高いタスクリターンを達成することを示す。
  論文  参考訳（メタデータ） (2026-09-28T16:12:48Z)
• REVERSAL-BENCH: A Reversibility Axis and Reset Oracle for Measuring the Reset-Free RL Cliff [0.0]
  自律的な強化学習の主目的は、外部リセットを伴わない継続的政策訓練である。 連続パラメータ$in[0, 1]$で可逆性を制御するベンチマークであるREVERSAL-BENCHを紹介する。 本研究では、この吸収現象が、学習された操作ポリシーの下での完全な物理シミュレーションにおいて持続することを示す。
  論文  参考訳（メタデータ） (2026-09-15T18:57:24Z)
• Confidence-Based Response Abstinence: Improving LLM Trustworthiness via Activation-Based Uncertainty Estimation [7.3923284353934875]
  本稿では,大規模言語モデル(LLM)出力の正しさと密接に一致したRAGシステムにおける信頼度推定手法を提案する。 提案手法は、生のフィードフォワードネットワーク(FFN)を自己回帰信号として活用することにより、事前の不確実性定量化手法を拡張した。 我々の結果は、アクティベーションに基づく信頼度モデリングが、信頼性の高いRAGデプロイメントへのスケーラブルでアーキテクチャを意識したパスを提供することを示した。
  論文  参考訳（メタデータ） (2025-10-15T16:55:56Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
  AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。 さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
  論文  参考訳（メタデータ） (2025-05-28T20:22:43Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• Adversarial Robustness under Long-Tailed Distribution [93.50792075460336]
  敵対的ロバスト性はディープネットワークの脆弱性と本質的特徴を明らかにすることで近年広く研究されている。 本研究では,長尾分布下における敵対的脆弱性と防御について検討する。 我々は、スケール不変とデータ再分散という2つの専用モジュールからなるクリーンで効果的なフレームワークであるRoBalを提案する。
  論文  参考訳（メタデータ） (2021-04-06T17:53:08Z)
• Temporal Difference Uncertainties as a Signal for Exploration [76.6341354269013]
  強化学習における探索の効果的なアプローチは、最適な政策に対するエージェントの不確実性に依存することである。 本稿では,評価値のバイアスや時間的に矛盾する点を強調した。 本稿では,時間差誤差の分布の導出に依存する値関数の不確かさを推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-05T18:11:22Z)

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。