AnyPos: 双腕マニピュレーションのためのタスク非依存動作の自動生成

- 両腕マニピュレーションのための task-agnostic な行動データ収集と embodiment modeling を統合したパイプライン AnyPos を提案する研究。 - タスク非依存の image-action ペアから embodiment dynamics を学習し、高レベル policy 学習と切り離す枠組み。 - 大規模自動探索と inverse dynamics learning を組み合わせ、多様な高レベル policy と接続可能。

- 従来のタスク特異的データは逐次的で特定タスク・特定 embodiment に縛られ、cross-task/cross-platform 転移が困難だった。 - 従来の dynamics-based modeling の限界を、データ駆動の task-agnostic embodiment modeling で回避。 - 独立した image-action ペアにより embodiment workspace 全体をカバーでき、行動データをタスク間で再利用可能。

- 大規模な自動 task-agnostic exploration で多様かつ安全な軌道を生成。 - inverse dynamics learning により embodiment representation を学習。 - arm と end-effector の動きを分離して decouple し、direction-aware decoder で分布シフト下の予測を安定化。 - 学習した embodiment model を多様な高レベル policy model と組み合わせ可能。

- 標準 baseline 比で test accuracy が 51% 改善。 - microwave 操作、toast 作り、洗濯物畳み、植物への水やり、皿洗いなどの manipulation タスクで、強い baseline に対し成功率が 30-40% 向上。 - 詳細な実験設定は要旨からは不明。

- データ駆動の embodiment modeling がデータ不足の克服と cross-task/cross-platform 汎化への実用的道筋であると主張。 - 限界や失敗事例、計算コスト、安全性の詳細な議論は要旨からは不明。

- inverse dynamics learning を用いた embodiment modeling の関連研究。 - task-agnostic exploration や自動データ収集に関する研究。 - 両腕 manipulation の imitation learning / visuomotor control の定番手法（例: ACT, Diffusion Policy など）。 - 要旨で明示的に参照された個別論文は不明。