DeCo: 長期的3Dマニピュレーションにおけるゼロショット汎化のためのタスク分解とスキル合成

- 言語条件付き multi-task imitation learning (IL) モデルを、新規の long-horizon 3D manipulation タスクへ zero-shot で汎化させるためのフレームワーク DeCo を提案する研究。 - DeCo は Task Decomposition と Skill Composition からなり、model-agnostic に既存 IL モデルへ適用できる。 - 併せて compositional generalization を評価する benchmark である DeCoBench を導入する。

- 従来の IL モデルは新規 long-horizon 3D manipulation タスクへの汎化が困難という課題に対し、DeCo は zero-shot 汎化を改善する。 - 特定モデルに依存せず、RVT-2、3DDA、ARP という 3 つの IL モデルすべての成功率を向上させた点が特徴。 - 12 の新規タスクでそれぞれ 66.67%、21.53%、57.92% の改善を報告。 - 実世界でも 6 つの atomic task のみで学習したモデルが 9 つの新規タスクを zero-shot で完了し、baseline 比 53.33% 改善。

- IL の demonstration を gripper-object interaction に基づいて modular な atomic task へ分解し、再利用可能な skill を学習できる dataset を構築。 - 推論時には vision-language model (VLM) が高レベル指示を解析し、関連 skill を検索して実行を動的に schedule する。 - spatially-aware な skill-chaining module により、skill 間の遷移を滑らかかつ collision-free に保つ。

- DeCoBench を導入し、long-horizon manipulation における compositional generalization を評価。 - 12 の新規タスク上で RVT-2、3DDA、ARP の 3 つの IL モデルに適用し、成功率の改善を比較。 - 実世界実験で、6 つの atomic task のみで学習した DeCo-enhanced model が 9 つの新規タスクを zero-shot で完了することを確認。

- 要旨からは不明。 - 明示されているのは、DeCo が model-agnostic であり 3 つの IL モデルで有効性を示した点、および実世界で zero-shot 完了と改善を報告している点。 - 限界や失敗事例、VLM 依存性などの議論は要旨からは不明。

- 要旨で比較対象として明示されている IL モデル: RVT-2、3DDA、ARP。 - 関連する要素技術として vision-language model (VLM) を用いた high-level instruction parsing や skill retrieval の研究、および long-horizon manipulation の compositional generalization を扱う benchmark 研究。