RaC: 復旧と修正のスケーリングによる長期的タスクのロボット学習

- ロボット模倣学習の新しい訓練フェーズ「RaC」を提案する研究。 - imitation learning による事前学習の後、human-in-the-loop の roll-out 上で追加訓練する。 - 対象は contact-rich、deformable-object、long-horizon タスク。 - 実世界の bimanual 制御タスク（shirt hanging、airtight container lid sealing、takeout box packing）と simulated assembly task で評価。

- 従来は human teleoperation による expert データ収集が中心で、数千の expert demonstrations でも性能が頭打ちになる非効率があった。 - RaC は recovery と correction の介入軌跡で fine-tune することで、retry や adaptation の技能を獲得させる。 - 先行 state-of-the-art を 10× 少ないデータ収集時間とサンプル数で上回る。 - test-time scaling を示し、recovery maneuvers の数に対して性能が線形に向上する点が新しい。

- imitation learning で事前学習した policy を用意する。 - policy rollout 中、失敗が差し迫った時に人間が介入する。 - 介入はまず in-distribution な状態へ rewinding し、その後 current sub-task を完了する corrective segment を提示する。 - この recovery と correction を含む human intervention trajectories で policy を fine-tune する。 - データ構成により retry と adaptation の行動を技能レパートリーに加える。

- 実世界の bimanual 制御タスク3種（shirt hanging、airtight container lid sealing、takeout box packing）と simulated assembly task で検証。 - 先行 state-of-the-art と比較し、10× 少ないデータ収集時間とサンプル数で上回ることを示す。 - recovery maneuvers の数に対する性能の線形スケーリング（test-time scaling）を確認。 - 学習済み policy の動画を公開。

- 要旨からは不明。 - 明示されているのは、recovery と correction のデータが long-horizon タスクの効率と頑健性に重要という主張。 - human-in-the-loop 介入のコストや介入品質への依存、他タスクへの一般化については要旨からは不明。

- 要旨で直接参照されている先行研究は明示されていない。 - 関連手法として imitation learning、human-in-the-loop 介入を用いる DAgger 系の手法、teleoperation による expert demonstration 収集、test-time scaling の研究が次に読む候補。 - 具体的な論文名は要旨からは不明。