ロボットマニピュレーションのための幾何学的レッドチーミング

- ロボットマニピュレーションの頑健性評価のための **Geometric Red-Teaming (GRT)** フレームワークを提案 - 物体中心の幾何学的摂動により、事前学習済み manipulation policy に壊滅的失敗を引き起こす **CrashShapes** を自動生成 - CrashShapes は構造的に妥当でユーザ制約を満たす mesh deformation - insertion、articulation、grasping タスクに適用 - 生成した形状で fine-tuning する **blue-teaming** も提案し、対象形状での成功率を最大60ポイント改善

- 従来の評価は curated な in-distribution テストセット上の性能評価が中心で、plausible variation 下の失敗要因の理解が限定的 - GRT は静的なベンチマークでは見逃される brittle な failure mode を発見 - 単なる評価に留まらず、発見した CrashShapes を blue-teaming による policy refinement に活用 - 実機ロボットアームでも red-teaming/blue-teaming の結果を検証している点が特徴 - 具体的な先行研究名の比較は要旨からは不明

- **Jacobian field-based deformation model** により mesh を変形 - **gradient-free, simulator-in-the-loop optimization** で CrashShapes を探索 - ユーザ制約を課した constraint-aware shape exploration - task-level policy rollouts と形状探索を組み合わせ、policy 性能を崩す変形を発見 - blue-teaming では個々の CrashShapes 上で fine-tuning を実施

- insertion、articulation、grasping の各タスクで GRT が policy 性能を崩す変形を一貫して発見 - blue-teaming により対象形状での task success が最大60 percentage points 改善し、元の物体での性能も維持 - 実機ロボットアームで検証: シミュレーションの CrashShapes が task success を 90% から最低 22.5% へ低下 - blue-teaming が対応する実世界形状で性能を最大 90% まで回復し、シミュレーション結果と近いことを確認

- 静的なベンチマークが見逃す brittle な failure mode の存在を示唆 - 物体中心の構造的・制約付き形状探索が頑健性評価の一般的枠組みになり得る可能性を議論 - red-teamed geometry が targeted policy refinement に有用であることを示す - 限界や今後の課題の詳細は要旨からは不明

- 要旨で参照/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、robotic manipulation の robustness evaluation、adversarial/red-teaming 手法、domain randomization、sim-to-real transfer、mesh deformation を用いた形状最適化、policy fine-tuning に関する研究を次に読む候補として挙げる - プロジェクトサイト https://georedteam.github.io/ の関連論文も参照候補