何が起きたか

arxiv.orgは2026-09-08、CLAMP（Constrained Decoding for Vision-Language Embodied Planning）を公開した。CLAMPは、凍結したVLMプランナーに対して、場面証拠をデコード時制約へ変換する多モーダル制約グラウンディング枠組みである。初期観測で視認された物体に参照対象を絞り、記号的な行動モデルで状態遷移と目標を与える。

詳細

CLAMPでは、デコード時にハードマスクで無効な次トークン候補を除外し、さらにHidden Markov Model（HMM）に基づくワールドステート先読みで、行動前提条件と目標到達可能性に応じて残存候補の確率を再重み付けする。これにより、VLMの言語的事前分布は維持しつつ、視覚的に裏づけられない、危険な、または実行不能な候補が計画に入ることを防ぐとしている。未知のタスクや環境では、凍結したVLMからサンプルしたラベルなし継続を使い、テスト時にHMMを適応させる。

Key Facts

CLAMPは、vision-language embodied planning向けのmultimodal constraint-grounding frameworkである。[1]
初期観測に基づき、場面で支持される物体参照のみに制限する。[1]
symbolic action modelが状態遷移と目標を指定する。[1]
デコード時にはhard masksとHMM-based world-state lookahead moduleを用いる。[1]
VLABench、SafeAgentBench、TaPAで、scene-grounded constraintsがobject groundingとsafetyを改善したと報告している。[1]

本紙の見方

CLAMPの新規性は、VLMが生成した計画を後段で評価するのではなく、デコードの時点で制約を埋め込む点にある。言い換えれば、言語モデルの流暢さをそのまま計画に採用するのではなく、初期観測、記号的行動モデル、HMMの先読みを重ねて、実行可能性の低い候補を生成段階で落とす設計である。ここで主役なのはモデル規模ではなく、生成と制約の接続方法だとみられる。 本紙の過去報道はないため、比較軸はこの発表内部に限られるが、CLAMPの構成は「凍結したVLMをそのまま使い、周辺で安全側に寄せる」という既定路線の延長にある一方、HMMを使って候補の先読みを行う点で、単純な後処理より一段踏み込んでいる。特に、label-free continuationsを使って未知環境に適応するとしている点は、学習済みモデルを再訓練せずに環境差へ追随する設計であり、エンボディード計画の運用負荷をどう下げるかという論点に接続する。 業界構造への含意としては、エンボディードAIで問題になりやすいのが、視覚認識の誤りだけでなく、認識できた対象に対しても不可能な操作を選ぶ点にあることを、今回の発表は明示している。CLAMPは物体グラウンディング、行動前提条件、目標到達可能性を一つの制約系に束ねており、今後はVLMの性能だけでなく、行動モデルの仕様、制約記述の精度、シーン表現の整合性が計画品質を左右するとみられる。実験で残る失敗要因として知覚誤りと制約仕様の不整合が挙げられている以上、次に確認すべき論点は、どの程度の環境変化までHMMを保ったまま適応できるか、制約の設計コストをどこまで抑えられるか、そして安全性の改善が実機の長系列タスクでも再現するかである。

なぜ重要か

CLAMPは、VLMが生成する計画を「もっともらしいが実行不能」な候補から切り分けるための具体的な制約機構を示している。発表元は、scene-grounded constraintsがVLABench、SafeAgentBench、TaPAでobject groundingとsafetyを改善したとしており、エンボディード計画の評価軸が単なる指示追従から実行可能性へ移る可能性がある。

日本への影響

日本企業・研究機関にとっては、ロボットやエージェントの計画系で、VLM単体の精度だけでなく、行動前提条件や安全制約をどう記述・更新するかが実装上の焦点になるとみられる。特に、実機導入で問題になりやすい「認識できるが実行できない」状況への対処という点で、制約仕様とシーン表現の整合性が重要になる。