Aishan Liu
Beihang University
収録論文 9本 ・ フィジカルAI/ロボット学習
※arXiv著者名で収集。同姓同名の別人の論文が含まれる場合があります。
論文
- 累積的・監査付きガードレールツール進化によるLLMエージェントの安全性エージェント安全2026/11/2
LLMエージェントの安全対策を、継承・監査・改良を繰り返す実行可能なガードレールツールとして自己進化させるフレームワークEVOLVEを提案し、複数ベンチマークで既存手法を平均F1で22%上回った。
- 曖昧指示に対する具現化エージェントの頑健性評価ベンチマークベンチマーク2026/11/2
実世界でよくある文脈情報を省いた指示(曖昧指示)に対し、具現化エージェントが正しく動作できるかを評価するVagueBenchを構築し、最先端エージェントの性能低下を明らかにした。
- RoboSafe: 実行可能な安全ロジックによる身体性エージェントの保護安全/身体性エージェント2025/12/1
VLMベースの身体性エージェントに対し、短期・長期の安全メモリを用いた後方反省推論と前方予測推論を組み合わせ、実行可能な述語ロジックで危険行動を未然に防ぐランタイム安全ガードレールを提案。
- RoboView-Bias: ロボットマニピュレーションにおける身体性エージェントの視覚バイアスのベンチマークマニピュレーション2025/9/1
ロボット操作エージェントの視覚バイアスを体系的に定量化する初のベンチマークを提案し、カメラ視点や色などの要因が意思決定に与える影響を評価した。
- MetAdv: 自動運転のための統合対話型敵対的テストプラットフォーム自動運転テスト2025/8/1
仮想シミュレーションと実車フィードバックを統合し、動的な敵対的テストを可能にする自動運転向けの対話型評価プラットフォームを提案。
- AGENTSAFE:危険指示に対する身体性エージェントの安全性ベンチマーク安全性ベンチマーク2025/6/1
視覚言語モデルを用いた身体性エージェントが危険な指示を受けた際の安全性を、知覚・計画・実行の各段階で評価するベンチマークSAFEを提案し、9つの最先端モデルで体系的な失敗を明らかにした。
- ロボット崩壊:VLMベースのロボットマニピュレーションに対するサプライチェーン型バックドア攻撃マニピュレーション2024/11/1
VLMベースのロボット操作ポリシーに対し、モデル供給チェーンに悪意あるモジュールを注入するバックドア攻撃フレームワークTrojanRobotを提案し、実世界18タスクと4つのVLMで有効性を検証した。
- BadRobot:物理世界における身体性LLMエージェントの脱獄VLA2024/7/1
音声対話を通じて身体性LLMエージェントに危険な物理行動を実行させる攻撃手法BadRobotを提案し、既存フレームワークでの有効性を実証した。
- 観察からの模倣学習と実演からの模倣学習はほぼ等価であることの保証模倣学習2020/10/1
決定論的および有界なランダム性を持つロボット環境において、観察からの模倣学習(LfO)が実演からの模倣学習(LfD)とほぼ等価であることを理論的に証明し、実験でも同等性能を示した。
