アンサンブル不一致を超えて：分布シフト下のRL歩行制御に対する予測的STLモニタリング

- RL locomotion policy（Ant-v5, HalfCheetah-v5）を対象に、distribution shift 下での安全性を Predictive STL Monitoring で監視する研究。 - closed-loop world-model rollouts と three-model ensemble を用い、将来の STL violation を予測する。 - external-force, observation-noise, mass shift の3種の shift で評価。 - ensemble disagreement を safety uncertainty の指標として扱えるかを検証。

- ensemble disagreement を safety uncertainty の代理指標とする従来の想定に疑問を呈する点。 - disagreement は observation prediction error や violation を安定的に追跡しないことを示す。 - predictive robustness は HalfCheetah で将来の STL violation を強く rank できるが、current-state robustness との差は小さい（AUROC 差 0.03 以内）。 - disagreement で predicted robustness を penalize しても ranking は一貫して改善しない。

- frozen な Ant-v5 / HalfCheetah-v5 policy に対し closed-loop world-model rollouts を実行。 - three-model ensemble で将来軌道を予測し、STL robustness を算出。 - predictive robustness と current-state robustness、ensemble disagreement を比較。 - disagreement による predicted robustness の penalization も検討。 - 複数の PPO seed と shift 条件で評価。

- external-force, observation-noise, mass shift の各条件で評価。 - HalfCheetah では predicted robustness が将来の STL violation を強く rank。 - severe noise では K=20 で violation が 64.2±24.4%（3 PPO seeds）。 - ただし current-state robustness が predictive robustness に AUROC で 0.03 以内まで迫る。 - Ant は per-specification の補完的証拠を提供するが、composite target に positive violation がなく、any-violation target は多くの slice で single-class。

- predictive robustness は STL 固有の ranking には有用だが、current state を超える追加的価値は限定的。 - ensemble disagreement を safety uncertainty の信頼できる指標と見なすことへの警告。 - Ant の評価は target の偏り（positive violation 不在、single-class）により限定的。 - world-model forecast 自体が shift 下で不確実になる点が議論の余地。

- Signal Temporal Logic (STL) を用いた runtime monitoring 関連研究。 - world-model ベースの predictive monitoring / model-based RL の safety 研究。 - ensemble disagreement と calibration に関する研究（deep ensemble uncertainty）。 - distribution shift 下の RL locomotion safety（Ant-v5, HalfCheetah-v5 周辺）。