χ₀: 分布の不一致を抑え込むリソース効率の良いロバストマニピュレーション

- 高信頼な長期的ロボットマニピュレーションを実現するためのリソース効率の良いフレームワーク $\chi_{0}$ を提案。 - 人間のデモ分布、ポリシーの帰納バイアス、テスト時実行分布の間の分布シフト（distributional shift）が実世界ロバスト性の主なボトルネックであると特定。 - この不整合を緩和するため、Model Arithmetic、Stage Advantage、Train-Deploy Alignment の3つの技術的柱を導入。 - 2台の dual-arm ロボットが協調して、衣服の flattening、folding、hanging などの長期的な garment manipulation を実行。 - 任意の初期状態から24時間連続で停止せずに動作する高信頼自律性を実現。

- 従来の高信頼長期的マニピュレーションは大規模データと計算に依存していたが、本研究はリソース規模だけでなく分布シフトが主なボトルネックであると指摘。 - 最先端の $\pi_{0.5}$ と比較して、成功率が約250%向上。 - わずか20時間のデータと8台の A100 GPU で実現し、リソース効率が大幅に改善。 - 従来の非ステージアプローチの数値的不安定性を克服する Stage Advantage を導入。

- Model Arithmetic: 重み空間でのマージ戦略により、異なるデモの多様な分布（物体外観から状態変化まで）を効率的に吸収。 - Stage Advantage: ステージ認識型の advantage estimator で、安定した密な進捗信号を提供し、従来の非ステージ手法の数値的不安定性を克服。 - Train-Deploy Alignment: 時空間拡張、ヒューリスティックな DAgger 補正、時間チャンク単位のスムージングにより、訓練と展開の分布ギャップを橋渡し。

- 2台の dual-arm ロボットによる長期的な garment manipulation タスク（flattening、folding、hanging）で検証。 - 任意の初期状態から24時間連続で停止せずに動作することを確認。 - 最先端の $\pi_{0.5}$ と比較して成功率が約250%向上することを実験で示した。 - 20時間のデータと8台の A100 GPU という限られたリソースで有効性を実証。

- 分布シフトが実世界ロバスト性の主要なボトルネックであると主張し、リソース規模だけでは解決できないと議論。 - 提案手法が production-level のロバスト性を達成することを示すが、他のタスクや環境への一般化可能性については要旨からは不明。 - コード、データ、モデルを公開予定と述べており、再現性とコミュニティへの貢献を意図。

- 比較対象として言及されている $\pi_{0.5}$ の論文。 - 関連手法として DAgger や advantage estimator に関する研究。 - 長期的マニピュレーションや garment manipulation に関する先行研究。