認知から制御へ：人間とヒューマノイドの協調運搬のためのマルチエージェント学習

- 本論文は、人間とヒューマノイドの協調運搬タスクを対象とした、cognition-to-control (C2C) という3層階層フレームワークを提案する。 - 第1層はVLMベースのgrounding層で、持続的なscene referentsを維持し、embodiment-aware affordances/constraintsを推論する。 - 第2層はdeliberative skill/coordination層（System 2 core）で、人間-ロボットのcoupling下で長期的なskill選択と順序を最適化する。 - 第3層はwhole-body control層で、選択されたskillを高頻度で実行し、kinematic/dynamic feasibilityとcontact stabilityを保証する。 - 全体として、高レベル意図をcontact-stableなwhole-body motionに変換し、人間パートナーに適応するHRCを目指す。

- 多くのvision-language-action (VLA) システムは観察と指示から行動へのend-to-endマッピングを学習するが、反応的（System 1的）行動に偏り、持続的なSystem 2的熟慮と低遅延連続制御の統合が不明確だった。 - 本論文は、deliberation-to-control経路を明示的にする3層階層により、このギャップを埋める。 - 特にmulti-agent HRCにおいて、長期的協調決定と物理的実行をcontact, feasibility, safety制約下で共進化させる点が新しい。 - 単一エージェントやend-to-endベースラインよりも高い成功率とrobustnessを示す。

- 3層階層：VLM-based grounding層、deliberative skill/coordination層、whole-body control層。 - deliberative層は、shared potentialがタスク進捗をエンコードするMarkov potential gameとして定式化されたdecentralized MARLにより、長期的skill選択と順序を最適化する。 - deliberative層はnominal controllerに対するresidual policyとして実現され、明示的なrole assignmentなしにpartner dynamicsをinternalizeする。 - whole-body control層は高頻度でskillを実行し、kinematic/dynamic feasibilityとcontact stabilityを強制する。

- 協調マニピュレーションタスクでの実験により、単一エージェントおよびend-to-endベースラインよりも高い成功率とrobustnessを示した。 - 安定したcoordinationとemergent leader-follower behaviorsが観察された。 - 具体的なタスク設定、評価指標、ベースラインの詳細は要旨からは不明。

- 要旨からは、提案手法の限界や失敗ケース、計算コスト、人間パートナーの多様性への一般化についての議論は不明。 - 今後の課題や倫理的考慮についても要旨からは不明。

- 要旨で参照/比較されている研究：vision-language-action (VLA) systems、end-to-endベースライン、single-agentベースライン。 - 関連手法：decentralized MARL、Markov potential game、residual policy、VLM-based grounding。 - 同分野の定番：human-robot collaboration (HRC)、whole-body control、System 1/System 2アーキテクチャ。