具現化エージェントシステムの統治・復旧・アップグレード安全性のためのベンチマーク

- 本論文は EmbodiedGovBench を提案する。 - 身体性 AI システムの governance 指向評価のための benchmark。 - タスク成功率や操作精度ではなく、制御可能性・policy 境界・回復・監査・進化安全性を評価。 - 7 つの governance 次元をカバー。 - unauthorized capability invocation - runtime drift robustness - recovery success - policy portability - version upgrade safety - human override responsiveness - audit completeness - single-robot と fleet 設定を含む構造を定義。 - scenario templates、perturbation operators、governance metrics、baseline evaluation protocols…

- 従来評価は task success metrics が主流。 - completion rate や manipulation accuracy など。 - 本 benchmark は governance を first-class evaluation target として扱う点が新しい。 - 能力境界の尊重、policy 強制、安全回復、audit trail 維持、human oversight 応答を測定。 - 単なるタスク完遂ではなく、現実的 perturbation 下での制御可能性・policy 制約・回復可能性・監査可能性・進化安全性を評価。 - 具体的な先行研究との比較数値は要旨からは不明。

- benchmark 構造を定義。 - single-robot と fleet 設定。 - scenario templates、perturbation operators、governance metrics、baseline evaluation protocols。 - 7 つの governance 次元を評価軸として設定。 - modular interfaces と contract-aware upgrade workflows を持つ embodied capability runtimes 上に実装可能。 - 具体的なアルゴリズムや実装詳細は要旨からは不明。

- 要旨からは不明。 - 実験結果や有効性検証の具体的記述はない。 - benchmark の構造と評価プロトコルを提示した段階と読める。 - 分析により embodied governance を first-class evaluation target にすべきと主張。

- embodied governance を第一級の評価対象にすべきという主張。 - EmbodiedGovBench がその転換のための初期測定フレームワークを提供。 - 限界や課題、反論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示されていない。 - 関連手法として、embodied AI の robot policies、foundation models、modular runtimes が挙げられている。 - 同分野の定番として、task success metrics に基づく manipulation accuracy や completion rate の評価研究が想定される。 - 具体的な論文名は要旨からは不明。