安全动作还不够：面向 Vision-Language-Action 策略的可行未来解码

基于摘要分析。研究针对冻结 Vision-Language-Action（VLA）策略中“当前动作合规，却可能使后续安全完成任务无路可走”的问题，提出 feasibility-likelihood gap：动作似然衡量下一步偏好，而可行性取决于该动作保留下来的未来。作者推导以历史为条件、限定于安全完成任务的策略—环境轨迹分布之精确下一动作块边缘分布，并据此构建无需训练的重排序方法 VICS-G。 核心机制是候选动作相关的 feasible-future mass。其支撑集刻画在冻结策略的后续执行过程中是否仍可能安全完成任务，其大小则衡量剩余的加权安全完成概率质量。这里的可行性是相对于既定策略及其后续过程而言，不等同于环境中所有可能控制策略下的可达性。由于在线精确计算不可行，作者采用选择性的有限候选近似，并给出恢复“保留候选中最佳可行候选”的条件；这些条件及近似实现细节尚未验证。 作者报告，在六种 Safety-CHORES 设置中，告警触发的 VICS-G 将平均累计安全成本降低 1.9%–57.5%；相对策略采样，任务成功率差异保持在 2.5 个百分点以内，平均回合长度差异保持在 0.82 步以内。摘要称该方法无需重训练策略或在线 rollout，但未提供候选生成、告警触发、未来质量估计、计算开销及各设置的完整协议，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 输出用于具有明确任务状态与安全完成判据的序贯控制，该研究的候选重排序思路可能适用；它并非 EEG 解码性能的已验证改进。可复用部分是候选动作筛选与可行未来评分，需改造部分包括 EEG 意图到动作候选的映射、环境状态表示及安全完成估计。低信噪比、跨被试偏移和小数据可能使候选集合遗漏正确意图或使未来评分失准。一个可检验的小实验是在固定 EEG 解码器与同一控制仿真环境中，对比原始采样和重排序，同时记录安全成本、成功率及延迟。已有 EEG 相关工作尚未检索确认。