SPARKヒューマノイド安全フィルタの敵対的ストレステスト

SPARK humanoid safety filterの堅牢性を、再現とストレステストで調べた研究。 - 対象は高次元身体・多数の衝突制約・人や障害物近傍での運用が必要なhumanoid。 - safety filterは衝突回避制約違反時にnominal control actionを修正する。 - SPARK benchmarkのG1SportMode_D1_WG_SO_v1をMuJoCoで再現。 - RSSA, RSSS, SSA, CBF, PFM, SMAを制御されたrandom seed下で評価。 - 生ログをgoal-tracking, minimum-distance, collision-step指標へ変換するpost-processing pipelineを構築。

nominal benchmark scoreだけでは難しい環境でのfilter挙動を示せない点を問題視。 - 既存のSPARK benchmark評価に対し、再現とstress testingを追加。 - 制御されたrandom seed下で複数手法を比較。 - 生ログから失敗モードを露出する指標を生成するpipelineを提案。 - 具体的な先行研究名や比較対象は要旨からは不明。

SPARK benchmark case G1SportMode_D1_WG_SO_v1をMuJoCoで再現。 - RSSA, RSSS, SSA, CBF, PFM, SMAを制御random seed下で評価。 - 生SPARK logをgoal-tracking, minimum-distance, collision-step metricsへ変換するpost-processing pipelineを構築。 - stress testとしてobstacle crowding, noisy distance estimates, delayed obstacle informationを実施。 - 各手法の安全性・目標追従性を指標で比較。

MuJoCo上でSPARK benchmark caseを再現し、複数手法を制御random seed下で評価。 - 生ログをgoal-tracking, minimum-distance, collision-step metricsへ変換するpipelineで定量化。 - 結果、goal追従性が高い手法とcollision steps削減が効果的な手法が分かれた。 - stress testでobstacle crowding, noisy distance estimates, delayed obstacle information下の安全性変化を確認。 - これによりnominal性能を超えた評価の必要性を示唆。

humanoid autonomyはnominal performanceだけでなく、失敗モードを露出する指標で評価すべきと主張。 - 一部手法はgoal追従性が高く、他はcollision steps削減が効果的。 - obstacle crowding, noisy distance estimates, delayed obstacle informationで安全性が変化。 - 具体的な限界や反論、未解決課題は要旨からは不明。

要旨で参照/比較されているSPARK benchmark、G1SportMode_D1_WG_SO_v1、RSSA, RSSS, SSA, CBF, PFM, SMA。 - 関連手法としてsafety filter, control barrier function (CBF), model predictive control (MPC)系の安全フィルタ。 - 同分野の定番としてhumanoid collision avoidance, safe reinforcement learning, MuJoCoベースのbenchmark。 - 具体的な次読論文名は要旨からは不明。