GUIDES: 事前学習済みロボットポリシーを強化するインストラクター蒸留埋め込みによるガイダンス

- 既存の pre-trained robot policy を置き換えずに拡張する軽量フレームワーク GUIDES の提案。 - foundation model 由来の semantic guidance を policy に注入し、semantic awareness の欠如を補う。 - アーキテクチャの再設計を不要とし、短時間の targeted fine-tuning で適応させる。 - 推論時には LLM-based Reflector が Instructor の confidence を監視し、低い場合に reasoning loop で action を洗練する。

- 従来の pre-trained policy は embodied knowledge を持つが foundation model 的な semantic awareness を欠く。 - 既存手法は policy の全面置換が多く、高コストかつ蓄積知識の喪失という課題がある。 - GUIDES は置換ではなく upgrade を狙い、resource-efficient に検証済み policy を強化する点が新しい。 - アーキテクチャ再設計を不要とし、複数の policy architecture に一貫して適用できる点が利点。

- fine-tuned vision-language model (Instructor) が contextual instructions を生成する。 - 補助モジュールが指示を guidance embeddings にエンコードする。 - その embeddings を policy の latent space に注入し、legacy model を brief, targeted fine-tuning で適応させる。 - 推論時は LLM-based Reflector が Instructor の confidence を監視し、低 confidence 時に reasoning loop を起動する。 - reasoning loop は execution history の分析、関連例の retrieval、VLM context の拡張を行い subsequent actions を改善する。

- RoboCasa simulation environment において多様な policy architectures で検証。 - task success rates に一貫した大幅な改善を確認。 - 実環境では UR5 robot に展開し、grasping などの critical sub-tasks で motion precision が向上することを示した。 - 詳細な比較条件やベースラインは要旨からは不明。

- 検証済み policy を置換せず upgrade する実用的・resource-efficient な道筋を提示。 - 一方で Instructor の confidence 依存や reasoning loop の計算コスト、実環境での汎化性については要旨からは不明。 - 多様な architecture での一貫性は示されるが、限界や失敗事例の議論は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として vision-language model による instruction generation、LLM-based reasoning/reflection、pre-trained robot policy の fine-tuning、RoboCasa ベンチマーク関連研究を次に読む候補として挙げる。