条件付き最適輸送カップリングによる高速フローベース視覚運動ポリシー

- ロボットの visuomotor policy として Diffusion Policy や flow matching の推論コストが高い問題に対し、noise と sample の間の conditional Optimal Transport couplings を用いて flow ODE の解を直線化する手法。 - few-step で高品質かつ多様な action trajectory を生成することを狙う。 - 実世界ロボットタスクで 1-2 steps の生成を実現すると主張。

- Diffusion Policy や vanilla Flow Matching は ODE/SDE の数値積分により推論が高コストで、リアルタイム制御に制限があった。 - 提案法は distillation ベースの手法と異なり、Diffusion Policy や vanilla Flow Matching と同じ training complexity を維持する。 - 多様な simulation タスクで Diffusion Policy 比 4% 高い success rate と 10x の speed-up を報告。

- noise と sample 間の conditional Optimal Transport couplings を利用し、flow ODE の解が直線的になるよう強制する。 - 条件付きタスクでは naive な noise-sample coupling が失敗することを示し、coupling 過程に condition variables を組み込むことで few-step 性能を改善する。 - 推論時は 1-2 steps での action 生成を可能にする。

- 多様な simulation タスクで Diffusion Policy と比較し、success rate と推論速度を評価。 - 実世界ロボットタスクの集合において、1-2 steps で高品質かつ多様な action trajectory が得られることを示す。 - 具体的なタスク名や評価指標の詳細は要旨からは不明。

- 条件付きタスクにおける naive coupling の失敗と、condition variables を coupling に組み込む必要性を議論。 - distillation ベース手法と異なり training complexity を増やさない点を利点として言及。 - 限界や失敗ケース、一般化性に関する詳細な議論は要旨からは不明。

- Diffusion Policy - Flow Matching - conditional Optimal Transport couplings を用いた flow matching 関連研究 - distillation-based approaches（具体的な論文名は要旨からは不明）