ロボット基盤モデル/故障診断2026/10/27arXiv:2610.36852

ブラックボックス方策の失敗時における透明サロゲートを用いたオンラインセンサ診断と修復

When Black-Box Robot Policies Fail: Online Sensor Diagnosis and Repair with a Transparent Surrogate

凍結した歩行方策の入力を外部から診断・修復するため、周期的歩行とセンサ依存補正を分離した構造的サロゲートを提案し、シミュレーションで歩行成功率の改善を示した。

詳しい要約

1. どんなもの？

ブラックボックス化された（frozen/inaccessible）ロボット方策に対し、その内部にアクセスせず外部モニタでセンサ故障を診断し入力を修復する枠組みを検討した研究。周期的な gait とセンサ依存の補正を分離する structured surrogate を構築し、frozen locomotion policy の周囲で入力修復を導く。simulated Go2 上で評価。

2. 先行研究と比べてどこがすごい？

方策が frozen または inaccessible でも外部から診断・修復できる点を狙う。単に clean action を予測する matched boosted-tree surrogate は同等の予測性能でも修復改善が検出されず、structured surrogate の構造分離が重要であることを示した点が特徴。

3. 技術・手法の肝は？

periodic gait と sensor-dependent corrections を分離する structured surrogate を構築。offline diagnosis と online repair の両モードで、frozen locomotion policy への入力を修復。phase-aware gradients も検討。

4. どうやって有効だと検証した？

simulated Go2 で walking success が offline diagnosis で 259/640 から 429/640 へ、online repair で 382/640 へ改善。64 の held-out fault-free episodes では誤発動なし。Go1 と ANYmal C でも separate fits により歩行改善。

5. 議論はある？

matched boosted-tree surrogate は clean action 予測は同程度だが修復改善なし。phase-aware gradients は separate fits より良好。証拠は 1 つの policy と部分的に screening された simulated fault suite に限定され、robot foundation model と hardware validation は未解決と述べる。

6. 次に読むべき論文は？

要旨で参照/比較されている matched boosted-tree surrogate、phase-aware gradients、Go2/Go1/ANYmal C の評価。関連として robot foundation model の fault diagnosis や hardware validation を扱う研究が次の候補。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Marc Ziegler, Batu Özen, Sami Mentes, Thomas Waschulzik, Alois Knoll

分類: cs.RO

原文アブストラクト

Robot foundation models may generalize across tasks and embodiments, but their actions still depend on sensors that can fail. When the policy is frozen or inaccessible, can an external monitor diagnose and repair corrupted inputs without access to its internals? We test a structured surrogate that separates periodic gait from sensor-dependent corrections to guide input repair around a frozen locomotion policy. On simulated Go2, offline diagnosis raises walking success from 259/640 to 429/640 episodes; online repair reaches 382/640, with no triggers in 64 held-out fault-free episodes. A matched boosted-tree surrogate predicts clean actions similarly well but yields no detected repair improvement over no repair. Separate fits improve walking on Go1 and ANYmal C, although phase-aware gradients perform better. Evidence remains limited to one policy and a partly screened simulated fault suite; robot foundation model and hardware validation remain open.

arXivで原文を読む →arXiv概要ページ

← 論文一覧