3次元姿勢表現の学習と最適化

- 3D orientation の表現・Lie Group algebra・関連する "tricks" を統一記法で整理し、代表的なロボティクスシナリオで benchmark する論文 - 対象シナリオは 1) direct optimization、2) imitation/supervised learning with a neural network controller、3) reinforcement learning、4) trajectory optimization using differential dynamic programming - シナリオ別の guidelines と orientation math の reference implementation を提供 - 表現選択の指針が散在する文献状況を補うことを狙う

- 従来は 3D orientation の表現や Lie Group algebra の知識が多数の textbook や paper に分散し、簡潔かつ統一的な理解が難しかった - 表現ごとの長所短所や「どれが最適か」の意見が対立し、学習・最適化時の表現や loss function の選択が困難だった - 本論文は統一記法での整理と empirical evidence に基づく benchmark・推奨を同時に提供する点が異なる - 要旨からは不明：個々の先行研究との具体的な性能比較

- 3D orientation の全 available representations と関連 "tricks"（Lie Group algebra を含む）を統一記法で整理 - 同一の代表シナリオ群で表現・loss function 等の選択肢を benchmark - シナリオは direct optimization、neural network controller による imitation/supervised learning、reinforcement learning、differential dynamic programming による trajectory optimization - 結果に基づきシナリオ別の guidelines を導出し、orientation math の reference implementation を公開 - 個々の表現の詳細や loss の設計は要旨からは不明

- 4 つの設定（direct optimization、imitation/supervised learning with a neural network controller、reinforcement learning、trajectory optimization using differential dynamic programming）で benchmark を実施 - これらはロボティクスで広く使われるシナリオをカバーするよう選定 - empirical evidence に基づいてシナリオ別の推奨を提示 - 具体的なデータセット・評価指標・被験タスク・数値結果は要旨からは不明

- 表現選択に唯一の正解はなく、タスク群によって適切な表現が異なるという立場 - 学習・最適化では表現だけでなく loss function 等の選択肢も多く、シナリオ依存の guidelines が必要 - 統一記法と benchmark により、文献間の混乱や対立する意見への実証的指針を与える - 個々の表現の限界や失敗ケース、計算コスト、実機検証の有無は要旨からは不明

- Lie Group algebra および SO(3)/SE(3) 上の最適化に関する基礎文献（例：Lie group 上の optimization の教科書・論文） - 回転表現の比較・survey 系の論文（quaternion、rotation matrix、Euler angle、axis-angle、6D representation 等） - 6D rotation representation を学習に用いた研究（例：Zhou et al. の 6D representation） - differential dynamic programming による trajectory optimization の関連研究 - imitation/supervised learning および reinforcement learning における orientation 表現の扱いを論じた研究