スケーラブルなロボットマニピュレーションに多様性は本当に必要か？

- ロボット操作におけるデータスケーリングの原則、特に data diversity の役割を体系的に調べた実証研究 - diversity を task（何をするか）、embodiment（どのロボットか）、expert（誰が実演するか）の3次元で分解 - 複数の robot platform での大規模実験を通じ、「多様性は多いほど良い」という通説を検証 - 知見に基づき velocity multimodality を緩和する distribution debiasing 手法を提案し、GO-1-Pro として実装

- NLP/CV の foundation model における data scaling の成功を踏まえ、robotic manipulation では未解明だった data scaling の原則に踏み込む - 「more diverse is better」という従来の直感を3次元で反証的に検証した点が新しい - task diversity が per-task demonstration 数より重要という知見、multi-embodiment データが必須でないという知見を提示 - expert diversity が policy learning の confounding 要因になり得ることを示し、velocity multimodality を原因として特定

- task / embodiment / expert の3次元で data diversity を操作し、複数 robot platform 上で比較実験 - diverse pre-training task から新規 downstream シナリオへの転移、single-embodiment と multi-embodiment の fine-tuning 特性を比較 - expert diversity の要因として個人の操作嗜好や human demonstration の stochastic variation に着目 - velocity multimodality を鍵となる要因と特定し、これを緩和する distribution debiasing 手法を提案、GO-1-Pro に組み込み

- 各種 robot platform での extensive experiments により3つの知見を実証 - task diversity と per-task demonstration 量の比較で転移性能を評価 - single-embodiment pre-training モデルと multi-embodiment pre-training モデルの cross-embodiment transfer / fine-tuning 特性を比較 - distribution debiasing により GO-1-Pro が 15% の性能向上、pre-training data 2.5倍相当の効果を達成したと報告

- task diversity が per-task demonstration 数より重要で、多様な pre-training task が新規シナリオ転移に寄与 - multi-embodiment pre-training data は cross-embodiment transfer に必須ではなく、高品質 single-embodiment データのモデルが fine-tuning 時に望ましい scaling property を示す - expert diversity は個人の操作嗜好や stochastic variation に由来し policy learning を confounding し得る - velocity multimodality が主要因であり、distribution debiasing で緩和可能 - 具体的な限界や未解決点は要旨からは不明

- 要旨で直接参照/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 distribution debiasing、GO-1-Pro、multi-embodiment pre-training、cross-embodiment transfer が挙げられる - 同分野の定番として robot foundation model / imitation learning（例: RT 系、Open X-Embodiment 系）や data scaling 研究を次に読む候補として検討