完璧なデモは悪い教師：重要な動作セグメントからのロバストな位置合わせ学習

専門家による流暢なデモンストレーションが、挿入・積み重ね・位置合わせなどの微細なマニピュレーションでは「悪い教師」になり得るという逆説的な失敗モードを明らかにした研究。熟練テレオペレータは位置合わせや回復の決定的瞬間を短い時間窓に圧縮するため、ポリシーは冗長な自由空間運動で溢れ、精度が成功を決める箇所の監督が不足する。このボトルネックをデータレベルと表現レベルの両方で解決する。データレベルでは位置合わせ付近の減速や重要セグメントの再サンプリングが有効だが、主な利点は回復状態のカバレッジ拡大にある。表現レベルでは STAIR (Spatio-Temporal feature As an Interface for Robot learning) を導入し、視覚言語モデルとアクションエキスパートを橋渡しするコンパクトな動的特徴で、各軌道に記録された短時間運動を密な運動認識監督として蒸留する。

従来、専門家デモは模倣学習のゴールドスタンダードと見なされてきた。本研究は、流暢なデモが微細操作では劣った教師になるという反直感的な失敗モードを明らかにした点が新しい。データ側の修正（減速・再サンプリング）は回復状態のカバレッジ拡大に主に寄与し、既存フレームの再重み付けではないことを示した。さらに、データ側修正ではポリシーのフレーム単位の視点（単一画像が直接行動に写像され、修正を支配する局所運動が暗黙のまま）は変わらないため、表現レベルで STAIR を導入し、流暢なデータのみで訓練しても意図的デモの利得の大部分（全体で 50.0% から 62.2%、意図的デモの 64.4% に接近）を回復できることを示した。

データレベル：位置合わせ付近の減速と重要セグメントの再サンプリング。ただし利得は主に回復状態のカバレッジ拡大から得られる。表現レベル：STAIR (Spatio-Temporal feature As an Interface for Robot learning) を導入。これは視覚言語モデルとアクションエキスパートを橋渡しするコンパクトな動的特徴で、各軌道に既に記録された短時間運動を密な運動認識監督として蒸留する。これにより、ポリシーのフレーム単位の視点を変えずに、修正を支配する局所運動を明示的に学習させる。

流暢なデータのみで訓練した STAIR が、意図的デモの利得の大部分を回復することを示した。全体で 50.0% から 62.2% に向上し、意図的デモの 64.4% に接近した。具体的なタスクや評価指標の詳細は要旨からは不明。

流暢なデモは人間の効率性に最適化されているが、機械の学習可能性に最適化された「より教育学的なロボットデータの見方」が必要であると提唱している。データ側の修正は回復状態のカバレッジ拡大に主に寄与し、既存フレームの再重み付けではない点が議論されている。表現レベルの STAIR が流暢なデータのみで意図的デモに近い性能を達成できることが示されたが、限界や今後の課題の詳細は要旨からは不明。

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、robot imitation learning、vision-language model、action expert、fine-grained manipulation (insertion, stacking, alignment) などが挙げられる。同分野の定番として、Behavior Cloning、Diffusion Policy、ACT (Action Chunking with Transformers) などが次に読むべき候補として考えられる。