物理カーネル：暗所マニピュレーションのための構造化視覚潜在表現

本研究は dark manipulation と呼ぶ設定を扱う。短い lit Write で z0 = Enc(rgb) を符号化した後、policy pi(z) と open-loop dynamics f(z,a) により、以降ピクセル無し(dark_f)で contact-rich な技能を完遂する。ManiSkill StackCube で評価し、five-rung chain(near_A -> grasped -> lifted -> on_B -> stacked)の成功率を測る。

- per-step lit_reenc は 35.6%、freeze/encode_black は 0% に対し dark_f は 68.1% stacked。 - 共有 Write->HOLD protocol で occlusion や camera-aligned GT contact-neighbor masks により lit lift は 43% から 0% に落ちるが dark_f は 82.5% を維持。 - matched Dreamer-style/pixel nulls は privileged geom 無しで 0% のまま。

- 短い lit Write で z0 = Enc(rgb) を符号化。 - policy pi(z) と open-loop dynamics f(z,a) でピクセル無しに技能を完遂。 - 専用の pi_write を用意し vision-budget stacked 35% を達成。 - 評価は ManiSkill StackCube、seed packs 0/1000、n=160 など。

- ManiSkill StackCube(n=160; seed packs 0/1000)で five-rung chain の成功率を比較。 - 共有 Write->HOLD protocol(n=40)で occlusion と camera-aligned GT contact-neighbor masks の影響を検証。 - action shuffling で dynamics MSE が約 9.4x 増加。 - write-time appearance shifts(night)で encoding が破綻(0% stacked)するが HOLD 中の同 shift では dark_f lift 不変。 - Write length Tw は stop phase 到達後は平坦、早期停止や write-time blur/JPEG は stacked を急減。 - pi_write は vision-budget stacked 35%(n=80)。

- privileged state-RSSM MPC は 9D dark observations で約 35% stacked に達するが、これは stronger-observation null であり matched visual baseline ではない。 - write-time appearance shifts は encoding を壊すが HOLD 中は影響しない。 - Write length Tw の効果は stop phase 到達後は平坦。 - その他の議論は要旨からは不明。

- Dreamer-style/pixel nulls - privileged state-RSSM MPC - ManiSkill StackCube - per-step lit_reenc - freeze/encode_black