長期的タスクのための安全な具現化AI：ロボット操作のクロスレイヤー分析

- 本論文は、long-horizon robotic manipulationにおける安全性をembodied AIの観点から整理したsurveyである。 - 計画・政策設計・実行の各層にまたがる安全研究を、intervention locus（planning-time, policy-time, execution-time）で分類する。 - 各研究の証拠の強さをformal guarantees, statistical support, empirical safety heuristicsに区別して分析する。 - backbone capability papers, direct safety mechanisms, benchmark/evaluation studiesの役割を明確化する。 - 現状の安全主張の支持基盤と間接性、および持続的なギャップを特定する。

- 従来の安全embodied AI研究はplanning, policy design, runtime executionに断片化していた。 - 本surveyはlong-horizon robotic manipulationをanchor domainとし、同一closed-loop内でsemantic misgrounding, subtask-level error propagation, execution drift, contact-rich physical riskが累積する点を統合的に扱う。 - intervention locusによる分類と証拠の強さの区別により、backbone capability papers, direct safety mechanisms, benchmark/evaluation studiesの異なる役割を明確化する。 - これにより、安全主張がどこで十分支持され、どこで間接的かに留まるかを露出させる点が新しい。

- embodied AIの視点からlong-horizon robotic manipulationの安全文献を構造化レビューする。 - 介入位置（intervention locus）に基づき、planning-time, policy-time, execution-time safetyに分類する。 - 各研究の証拠の強さをformal guarantees, statistical support, empirical safety heuristicsに区別して分析する。 - backbone capability papers, direct safety mechanisms, benchmark/evaluation studiesの役割を整理する。 - 持続的なギャップを特定し、cross-layer assurance, evaluation design, safer deploymentの研究方向を提示する。

- 本論文はsurveyであり、個別の実験的検証は要旨からは不明。 - 文献をintervention locusで分類し、証拠の強さをformal guarantees, statistical support, empirical safety heuristicsに区別して分析する。 - これにより、安全主張が十分支持されている領域と間接的な領域を明らかにする。 - 具体的な検証方法やデータセットは要旨からは不明。

- 持続的なギャップとして、policy-time safetyの証拠不足、contact-rich long-horizon manipulationのformal supportの弱さ、uncertainty-triggered interventionの未成熟、manipulation-specific safety benchmarksの不足を指摘する。 - 現在の安全主張がどこで十分支持され、どこで間接的かに留まるかを露出させる。 - 今後の研究方向としてcross-layer assurance, evaluation design, safer deployment of long-horizon robotic agents in real-world settingsを挙げる。

- 要旨で参照/比較されている個別研究は明示されていない。 - 関連手法として、planning-time safety, policy-time safety, execution-time safetyに関する研究、formal guarantees, statistical support, empirical safety heuristicsを提供する研究、manipulation-specific safety benchmarksが挙げられる。 - 同分野の定番として、safe reinforcement learning, hierarchical planning, uncertainty estimation, contact-rich manipulationの研究が考えられる。