ヒューマノイドのピクセル入力から行動へのポリシー転移におけるSim-to-Realの扉を開く

- 本論文は、GPU 加速の photorealistic simulation を用いて、humanoid の vision-based loco-manipulation を sim-to-real で学習する枠組みを提案する。 - articulated-object interaction（ドア操作）を高難度ベンチマークとして採用。 - teacher-student-bootstrap learning framework を構築し、純粋な RGB 知覚から行動を出力する pixel-to-action policy を実現。 - シミュレーションデータのみで学習し、多様なドア種別に対して zero-shot で動作する点を主張。

- 従来の curated 環境に依存する学習に対し、massive な physics/visual randomization を活用し汎化を狙う点が特徴。 - 同じ whole-body control stack 下で、human teleoperator 比で最大 31.7% の task completion time 短縮を達成。 - 純粋な RGB 知覚のみで多様な articulated loco-manipulation を sim-to-real 転移した humanoid policy としては初と主張。 - 具体的な先行研究名との比較は要旨からは不明。

- teacher-student-bootstrap learning framework を採用し、privileged policy から student へ知識を移す構成。 - staged-reset exploration strategy を導入し、long-horizon な privileged-policy 学習を安定化。 - GRPO-based fine-tuning により partial observability を緩和し、sim-to-real RL の closed-loop consistency を改善。 - 学習はすべて simulation data で行い、RGB 入力から行動を直接出力する pixel-to-action を実現。

- 多様な door types に対する zero-shot 性能を評価。 - 同一の whole-body control stack の下で human teleoperator と比較し、task completion time で最大 31.7% 上回ることを示す。 - 学習は simulation のみで行い、実機への転移性能を検証。 - 詳細な評価プロトコルや被験者数などは要旨からは不明。

- 純粋 RGB 知覚による humanoid sim-to-real の articulated loco-manipulation を初めて示した点を強調。 - 一方で、実機評価の規模、ドア以外の articulated object への汎化、照明や材質変化への頑健性などは要旨からは不明。 - GRPO や staged-reset の各要素の寄与度に関する ablation の有無は要旨からは不明。

- 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、sim-to-real RL、teacher-student distillation、privileged learning、GRPO、domain randomization に関する文献を次に読む候補として挙げる。 - humanoid loco-manipulation の vision-based policy に関する代表的研究も併せて参照すべき。