ロボットセキュリティのためのプログラムレベル敵対的共適応自己対戦フレームワーク

- コーディングエージェントが実行可能プログラムを改訂してロボットソフトウェアを適応させる状況を扱う研究 - 進化する対戦相手に対する program-level の adversarial co-adaptive self-play フレームワークを提示 - 攻撃側・防御側の coding agents が、テスト済みの相手コードと mission feedback から攻撃・防御を生成 - model fine-tuning を必要としない - autonomous driving 向けの外部プログラムインターフェースと、humanoid locomotion 向けの SDK-level defenses を環境別に用意 - 8世代の2つのケーススタディを通じて適応と限界を実行可能な成果物として観察可能にする

- 要旨からは不明（先行研究との直接比較は記述されていない） - 特徴として、model fine-tuning なしで coding agents が相手コードと mission feedback を用いて攻撃・防御を生成する点を挙げている - 攻撃・防御の適応を executable artifacts と task-level evidence で観察可能にする点を主張

- program-level adversarial co-adaptive self-play の枠組み - coding agents が攻撃と防御を、テスト済みの opponent code と mission feedback に基づき生成 - 環境別インターフェース：autonomous driving では外部プログラム、humanoid locomotion では SDK-level defenses - 8世代にわたる共適応プロセスを2つのケーススタディで実施 - 防御側の応答例：driving では direct-actuation recovery、humanoid では incoming-state validation の改訂

- 2つの8世代ケーススタディで検証 - autonomous driving と humanoid locomotion の環境別インターフェースを用いて実施 - 防御側の具体的なソフトウェア応答（direct-actuation recovery、incoming-state validation 改訂）を観察 - 適応と限界を executable artifacts と task-level evidence で可視化

- 防御応答は局所的な task recovery をもたらすが、持続的な robustness を確立するには至らないと述べている - フレームワークは適応とその限界を観察可能にすることを狙う - 持続的堅牢性が得られない理由や一般化可能性については要旨からは不明

- 要旨で参照・比較されている個別研究は明記されていない - 関連手法として adversarial self-play、coding agents、autonomous driving の adversarial testing、humanoid locomotion の SDK-level defenses に関する研究が次に読む候補（一般名）