軌道条件付き異形態間スキル転移

- 人間の実演動画からロボットが操作スキルを獲得するための枠組み「TrajSkill」を提案した研究。 - 人間の動作を疎な optical flow trajectory として表現し、これを embodiment-agnostic な運動手がかりとして利用する。 - 軌跡・視覚・テキスト入力を条件に、時間的に一貫したロボット操作動画を合成し、実行可能な action へ変換することで cross-embodiment skill transfer を実現する。

- 既存手法は paired dataset や hand-crafted rewards に依存し、scalability と generalization に制約があった。 - TrajSkill は人間の実演動画から直接スキル獲得を目指し、paired dataset や手設計報酬を必要としない点が特徴。 - 人間とロボットの形態差を optical flow trajectory で吸収するアプローチにより、embodiment gap への対処を図る。

- 人間の動作を sparse optical flow trajectory として表現し、形態的差異を除去しつつ本質的な dynamics を保持する。 - この軌跡に視覚入力とテキスト入力を条件として、時間的に一貫したロボット操作動画を合成する。 - 合成された動画を実行可能な action に変換することで、cross-embodiment のスキル転移を達成する。

- シミュレーション（MetaWorld）で実験を実施。 - 最先端手法と比較して FVD を 39.6%、KVD を 36.6% 削減。 - cross-embodiment success rate を最大 16.7% 改善。 - 実ロボットによる kitchen manipulation タスクでも有効性を検証し、embodiment 間の人間からロボットへのスキル転移を示した。

- 要旨からは不明（具体的な限界や失敗事例、議論の詳細は記述されていない）。 - 実ロボット実験は kitchen manipulation タスクに限定されており、他の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・比較されている個別研究名は記載されていない。 - 関連手法として、human demonstration video からの robot learning、cross-embodiment transfer、optical flow を用いた motion representation、video synthesis を action に変換する手法（例：video-based policy learning）が次に読む候補となる。 - ベンチマークとして MetaWorld 関連の論文も参照候補。