安全な行動だけでは不十分：視覚言語行動ポリシーのための実行可能未来デコーディング

- 凍結された vision-language-action (VLA) policy 下で、確率的に高く局所的に許容される行動でも、その後の安全なタスク完了への経路が残らない場合がある問題を扱う。 - これを feasibility-likelihood gap と呼び、行動の likelihood と将来の feasibility の乖離を示す。 - 安全完了に制限した history-conditioned policy-environment trajectory law の次ブロック周辺分布を厳密に導出する。 - 候補依存の feasible-future mass を導入し、その support と magnitude で安全完了可能性を評価する。 - オンライン厳密評価は非現実的なため、selective finite-candidate approximation による training-free reranker を提案する。

- 従来の安全行動選択は現在行動の局所的な安全性や likelihood に注目しがちだが、本手法は将来の安全完了可能性を考慮する点が異なる。 - 凍結 VLA policy を再学習せず、オンライン trajectory rollouts も不要で適用できる。 - 厳密な policy-relative safe-completion target に結びついた decoder を実現している。 - 先行研究との具体的な比較対象は要旨からは不明。

- 安全タスク完了に制限した trajectory law の次ブロック周辺分布を厳密に導出する。 - 候補依存の feasible-future mass を定義し、その support で安全完了可能性の有無、magnitude で重み付き安全完了質量の保持度を測る。 - 厳密評価が困難なため、selective finite-candidate approximation を開発する。 - 最良の保持可能候補を復元する条件を導出する。 - alarm-triggered で training-free な reranker として実装する。

- Safety-CHORES ベンチマークで評価する。 - 6 設定において VICS-G が平均累積安全コストを 1.9%–57.5% 低減する。 - 成功率は policy sampling の 2.5 パーセントポイント以内、平均エピソード長は 0.82 steps 以内に収まる。 - これにより安全性向上と性能維持の両立を検証している。

- 厳密評価はオンラインでは非現実的であり、selective finite-candidate approximation を用いる必要がある。 - 最良の保持可能候補を復元する条件は導出されているが、近似の限界や一般性については要旨からは不明。 - ベース policy の再学習やオンライン rollouts を必要としない点が利点として議論されている。 - 他のタスクや環境への適用可能性は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として vision-language-action (VLA) policies、Safety-CHORES、VICS-G が挙げられる。 - 同分野の定番として safe reinforcement learning、constrained policy optimization、model predictive safety などが考えられるが、要旨に記載はない。