研究论文
MAGICS：对抗学习的机器人安全策略
MAGICS以结构化极小极大学习博弈生成神经安全策略，提供局部收敛结果并评估仿真任务和四足机器人。给定假设下的局部收敛并不等于部署机器人的全局安全保证。
核查日期 2026-11-05 · 已核查来源与书目信息
书目信息与编辑概述已对照原始来源核查。访问条件与版本见来源说明。
- 原文标题
- MAGICS: Adversarial RL with Minimax Actors Guided by Implicit Critic Stackelberg for Convergent Neural Synthesis of Robot Safety
- 发布机构
- arXiv
- 作者
- Wang, Justin, Hu, Haimin, Nguyen, Duy Phuong, Fisac, Jaime Fernández
- DOI
- 10.48550/arxiv.2409.13867
- 首次存档日期
- 2024-09-20
- 原文语言
- en
- 原始来源国家
- US
- 版本
- v2
- 访问条件
- 开放存档书目信息及稿件
- 出版状态
- 预印本
相关资料与工程解读
资料概述
MAGICS以结构化极小极大学习博弈生成神经安全策略，提供局部收敛结果并评估仿真任务和四足机器人。给定假设下的局部收敛并不等于部署机器人的全局安全保证。
使用与审查
依据原始存档摘要和书目信息独立撰写。专业技术及母语审校仍待完成。所述方法不能证明部署后的安全功能或已达到的PL。
来源与版本
MAGICS: Adversarial RL with Minimax Actors Guided by Implicit Critic Stackelberg for Convergent Neural Synthesis of Robot Safety ↗
arXiv · v2
arXiv abstract, authors, submission history and DOI links; first posting 2024-09-20, abstract reviewed in v2. Publisher dates are separate.