SID: 分布への滑り込みによるロバストな少数デモ操作

- ロボットマニピュレーションの汎化を目指すフレームワークSIDを提案。 - 少数のデモンストレーションから、物体中心のmotion fieldを学習。 - システムをデモのmanifoldにスライドさせ、軽量なegocentric実行ポリシーの信頼領域に導く。 - OOD実行を緩和し、姿勢や視点の大きな変化に対応。 - 6つの実世界タスクで約90%の成功率を達成。

- 従来のend-to-end visuomotorポリシーは表現力が高いがデータを大量に必要とする。 - 計画・最適化手法は明示的制約を満たすが、人間のデモの相互作用戦略を直接捉えない。 - SIDは少数デモ（2つ）でOOD初期化に対応し、distractorや外乱下でも性能低下が10%未満。 - 明示的に分布シフトを管理する新しいパラダイムを提供。

- 正規化されたデモから物体中心のmotion fieldを学習。 - motion fieldはデモのmanifoldから遠いとき大きな修正動作を生成し、収束に近づくと自然に消える。 - 到達後は、条件付きflow matchingで訓練されたegocentricポリシーがタスク固有の操作を実行。 - 運動学的に一貫したpoint-cloud reprojection augmentationでaction-observationの一貫性を保持。

- 6つの実世界タスクで評価。 - OOD初期化下で約90%の成功率を達成（デモは2つのみ）。 - distractorや外部外乱下でも成功率の低下は10%未満。 - 具体的なタスク内容や評価指標の詳細は要旨からは不明。

- 要旨からは明示的な議論や限界は述べられていない。 - 提案手法の有効性と新規性が強調されている。 - 今後の課題や適用範囲の制限については要旨からは不明。

- 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、end-to-end visuomotor policies、planning and optimization、flow matching、point-cloud reprojection augmentationが挙げられる。 - 同分野の定番として、imitation learning、few-shot manipulation、distribution shift managementに関する論文を読むと良い。