Chronos: 非マルコフ的長期間操作のための物理情報を活用した全履歴フレームワーク

本論文は Chronos とよばれる、非マルコフ的・長期的操作のための物理情報を活用した全履歴フレームワークを提案する。 - 対象は VLA や生成的模倣ポリシーが現在観測や短い窓に依存する問題。 - 同一観測でも履歴が異なれば異なる行動が必要な記憶依存操作を扱う。 - 観測履歴を補助文脈ではなくポリシー力学の潜在状態へ引き上げる。 - 16 のシミュレーションタスクと 4 の実世界実験で評価。

先行研究と比べ、記憶依存の長期的操作で大幅な性能向上を示す。 - RMBench で平均成功率 73.6%。 - マルコフ的 VLA ベースライン pi0.5 を +62.4 ポイント上回り、相対 6.6 倍。 - パラメータ数は 10 倍少ない。 - 記憶 VLA の Mem-0 を 22.8 ポイント上回り、パラメータ数は 30 倍以上少ない。 - 実世界双腕実験では単一 RGB カメラで平均 78%、記憶依存 3 タスクで 72%。 - pi0.5 は全体 7%、記憶依存サブセットで 0%。

技術の肝は履歴をポリシー力学の潜在状態として扱う点にある。 - 各物理制御ステップで観測と固有受容感覚を融合し、状態代表トークンを形成。 - トークン列を物理時間と 1 対 1 に対応させる。 - selective state space model で因果的な履歴状態を伝播。 - その状態が implicit maximum likelihood estimation (IMLE) を通じてマルチモーダルな粗行動事前分布を条件付ける。 - さらに second-order Schrodinger-inspired bridge が加速度場を予測して精緻化。 - より滑らかで物理的に根拠のあるロボット運動を生成。

16 のシミュレーションタスクと 4 の実世界実験で検証。 - 精密挿入、一般操作、記憶依存の長期的制御を評価。 - RMBench ではタスク段階の記憶が必要な成功を評価。 - 実世界では単一 RGB カメラを用いた双腕実験を実施。 - 4 タスクで平均 78%、記憶依存 3 タスクで 72% の成功率。 - 比較として pi0.5 は全体 7%、記憶依存サブセットで 0%。

議論として、履歴を補助文脈ではなく操作ポリシーの潜在状態として扱うべきだと示唆。 - マルコフ的ショートカットが記憶依存操作で失敗することを指摘。 - 全履歴を潜在状態に昇格させる設計の有効性を主張。 - ただし要旨からは限界や失敗事例、計算コスト、一般化性に関する詳細な議論は不明。

要旨で参照・比較されている研究や関連手法を挙げる。 - pi0.5: マルコフ的 VLA ベースライン。 - Mem-0: 記憶 VLA ベースライン。 - RMBench: 記憶依存の長期的操作を評価するベンチマーク。 - selective state space model、IMLE、second-order Schrodinger-inspired bridge は関連手法として参照。 - 同分野の定番として VLA、生成的模倣ポリシー、非マルコフ的強化学習・模倣学習も関連。