視覚運動ポリシーにおける視覚的身体依存性の再考

- 視覚運動政策（visuomotor policies）が、タスクシーンと動作主体（embodiment）の両方を観察する際に生じる「視覚的 embodiment 依存性（VED）」を研究。 - VED とは、可視的なロボット構成がタスク進捗のショートカットとして作用する現象。 - 代表的な政策に対する cue-conflict 介入により、VED の存在と影響を実証。 - VED を排除するのではなく、制御と汎化に資する embodiment 情報として構造化することを提案。 - 3D 点群における embodiment canonicalization を実現し、canonical end-effector representation（CER）を導入。

- 従来の視覚運動政策は embodiment 固有の視覚的手がかりを暗黙的に利用し、タスク進捗のショートカットに依存する問題があった。 - 本研究は、VED を単に除去するのではなく、制御に関連する幾何情報を保持しつつ形態を抽象化する点で新規。 - 単に embodiment を除去するだけでは不十分であり、制御関連幾何を保持する必要があることを実験的に示した。 - ロボットデモンストレーションなしでの human-to-robot 政策転移を大幅に改善。 - CER 自体が新たな構成ショートカットになる失敗モードを発見し、configuration-decorrelation augmentation で緩和。

- 3D 点群において embodiment canonicalization を実施。 - 元の embodiment を canonical end-effector representation（CER）に置き換え、制御に関連する幾何を保持しつつ embodiment 固有の形態を抽象化。 - CER は編集可能な形式であり、未知のロボット構成に対する configuration-decorrelation augmentation を可能にする。 - この拡張により、ロボット構成がタスク進捗から切り離された場合の CER の構成ショートカット化を緩和。 - 制御関連幾何を保持することが、単なる embodiment 除去よりも有効であることを示す。

- 代表的な政策に対する cue-conflict 介入により、VED の存在を実証。 - ロボットデモンストレーションなしでの human-to-robot 政策転移実験を実施。 - embodiment canonicalization が転移性能を大幅に改善することを確認。 - 単に embodiment を除去した場合との比較により、制御関連幾何の保持が重要であることを検証。 - configuration-decorrelation augmentation が、CER の構成ショートカット化を緩和し、既知構成での性能を犠牲にせずにロバストな回復を実現することを確認。

- VED を排除するのではなく、構造化することの重要性を議論。 - 制御に関連する embodiment 情報を保持することが、汎化とロバスト性に寄与することを示す。 - CER 自体が新たな構成ショートカットになる失敗モードを指摘し、その緩和策を提案。 - ロボット構成がタスク進捗から切り離された場合の課題を議論。 - 今後の研究方向として、より多様な embodiment やタスクへの適用が考えられる。

- 要旨で参照/比較されている研究は明示されていないため、同分野の定番として以下の論文を挙げる。 - 視覚運動政策の代表的手法：RT-1, RT-2, Diffusion Policy, ACT (Action Chunking with Transformers) - embodiment 汎化に関する研究：Embodiment-Agnostic Policies, Cross-Embodiment Learning - 3D 点群を用いたロボット学習：PointNet, PointNet++, 3D Diffusion Policy - ショートカット学習に関する研究：Shortcut Learning in Deep Learning, Causal Confusion in Imitation Learning