CRAFT: 力覚対応カリキュラム微調整による接触の多いマニピュレーションへのVLAモデル適応

- VLAモデルをcontact-rich manipulationに適応させる枠組みCRAFTを提案。 - force-aware curriculum fine-tuningを採用。 - variational information bottleneckでvision/language埋め込みを初期に制御。 - 力信号を優先学習させ、段階的に全マルチモーダル情報を復元。 - 同期したvision/language/forceデータ収集用のleader-follower teleoperationを設計。

- 従来のVLAは一般的指示実行に強いがcontact-rich manipulationで苦戦。 - 高エントロピーなvision/languageと低エントロピーだが重要なforceの不均衡が課題。 - 知覚過依存と不安定制御を引き起こす。 - CRAFTはforce-aware curriculumで力信号を初期優先し、この不均衡を緩和。 - 多様なVLAアーキテクチャに適応可能。

- variational information bottleneckモジュールでvision/language埋め込みを正規化。 - 初期訓練でforce信号を優先させるcurriculum戦略。 - 段階的に全マルチモーダル情報へのアクセスを復元。 - homologous leader-follower teleoperationでvision/language/forceを同期収集。 - 多様なcontact-richタスクに対応。

- 実世界実験でCRAFTがタスク成功率を一貫して改善。 - 未見物体や新規タスク変種への汎化を確認。 - 多様なVLAアーキテクチャへの適応を実証。 - 堅牢で汎化可能なcontact-rich manipulationを実現。

- 要旨からは不明。 - 限界や失敗事例、計算コスト、teleoperationのスケーラビリティへの言及なし。

- 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VLAモデル、variational information bottleneck、curriculum learning、leader-follower teleoperationが挙げられる。 - 同分野の定番としてcontact-rich manipulationやforce-aware learningの論文を読むべき。