EgoScale：多様な一人称視点ヒューマンデータによる器用なマニピュレーションのスケーリング

- 大規模なegocentric human videoを用いたhuman-to-dexterous manipulation転移フレームワークEgoScaleを提案。 - 20,854時間以上のaction labeled egocentric human videoでVision Language Action (VLA)モデルを訓練。 - 人間データ規模とvalidation lossの間にlog linear scaling lawを発見。 - 2段階転移レシピ：大規模human pretraining + 軽量aligned human-robot mid training。 - 22 DoF dexterous robotic handでno pretraining baseline比平均成功率54%向上。 - 低DoFハンドのロボットにも効果的に転移し、embodiment agnosticなmotor priorを示唆。

- 先行研究は制約された設定でのhuman-to-robot transferを示すのみ。 - 大規模human dataがfine-grained, high DoF dexterous manipulationを支えられるか不明だった。 - 本研究は20,854時間超のデータを使用し、先行研究の20倍以上の規模。 - human data scaleとvalidation lossのlog linear scaling lawを明らかにし、予測可能なsupervision源として確立。 - 大規模human motionが再利用可能でembodiment agnosticなmotor priorとなることを示した。

- 大規模egocentric human videoにaction labelを付与し、VLAモデルを訓練。 - 2段階転移：大規模human pretraining後、軽量aligned human-robot mid trainingを実施。 - これにより最小限のrobot supervisionで長期的dexterous manipulationとone-shot task adaptationを実現。 - 22 DoF dexterous robotic handを用いたpolicyを学習。 - 低DoFハンドのロボットにも転移可能な設計。

- 20,854時間超のaction labeled egocentric human videoでVLAモデルを訓練。 - validation lossと実ロボット性能の強い相関を確認。 - 22 DoF dexterous robotic handでno pretraining baseline比平均成功率54%向上を達成。 - 低DoFハンドのロボットへの転移も検証。 - 長期的dexterous manipulationとone-shot task adaptationの有効性を実証。

- 大規模human dataが予測可能なsupervision源となることを示唆。 - human motionがembodiment agnosticなmotor priorとして再利用可能であると議論。 - 低DoFハンドへの転移可能性に言及。 - 具体的な限界や失敗事例、計算コスト、データ収集のバイアスなどは要旨からは不明。

- 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 Action (VLA)モデル、human-to-robot transfer、dexterous manipulationの定番研究が挙げられる。 - 具体的な論文名は要旨からは不明。