PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02662v1cs.LG

정제 격차(Refinement Gap)에 주의하라: 안전한 상위 수준 로봇 계획이 안전하지 않은 실행을 낳을 때

Mind the Refinement Gap: When Safe High-Level Robot Plans Produce Unsafe Executions

언어 기반 로봇 시스템은 시맨틱 그래프 계획(semantic-graph planning)과 시간 논리(temporal-logic) 기반 안전성 모니터를 점점 더 많이 결합하고 있다. 본 연구는 이러한 시스템에서의 궤적 완전성(trace-completeness) 가정, 즉 모니터가 점검하는 상위 수준 행동 시퀀스가 실행 중 유발되는 내비게이션 및 암묵적 행동 효과를 실제로 대표하는지를 조사한다. 우리는 RoboGuard에서 이 가정을 검증하기 위해, 동일한 선형 시간 논리(Linear Temporal Logic, LTL) 명세 하에서 표면적(surface) 계획에 대한 판정과 그래프로 정제된(graph-refined) 궤적에 대한 판정을 비교한다. 평가는 다섯 가지 행동 추상화(action-abstraction) 계열에 걸친 28개의 통제된(controlled) 사례와, SPINE [1]이 자연어 지시로부터 계획을 생성하고 RoboGuard가 장면에 기반한(scene-grounded) 안전성 명세를 생성하는 14개의 종단간(end-to-end) 사례로 구성된다. 통제된 평가에서, 표적이 된 12개의 추상화 사례 모두 예측된 표면-정제 간 불일치를 보였으며, 16개의 대조(control) 사례 모두 예상대로 동작하였다. 이는 그래프 기반 궤적 정제(trace refinement)를 경량 완화 기법이자 피지컬 AI(physical-AI) 안전성 모니터를 위한 진단 도구로 활용할 근거가 된다.