WM-VS: 進捗整合型ワールドモデルによる閉ループビジュアルサーボ

- 閉ループ visual servoing のための world-model フレームワーク WM-VS を提案。 - 予測制御ミスマッチ(prediction-control mismatch)を問題視。 - 行動がタスク誤差を減らすかを示す progress-aligned な予測を目指す。 - target-centric で、RGB のみ・reactive な運用。 - 実機 7-DoF eye-to-hand 系で検証。

- 従来の world model は行動の plausibility を予測するが、誤差低減の指標を与えない。 - 本手法は progress-aligned な action consequence を学習。 - オンライン trajectory optimization 不要で reactive に展開。 - 未学習の 3D ターゲットにも再学習なしで転移。 - 具体的な先行研究名は要旨からは不明。

- オフラインの target-region DINOv2 correspondences から signed 4D servo coordinate を定義。 - 座標は translation, scale, in-plane rotation を表現。 - Stage 1: action-conditioned latent transition をこの座標に整合。 - Stage 2: world model を凍結し、reactive joint-velocity policy を学習。 - 学習は action imitation, consequence supervision, short imagined rollouts を併用。 - 展開は RGB のみで reactive、オンライン最適化なし。

- 実機 7-DoF eye-to-hand 系で評価。 - corner RMSE が初期値の 10% 以下を 30/30 trials で達成。 - 最終有効フレームでも 25/30 (83.33%) で基準を維持。 - future-error alignment を除くと維持率が 26.67% に低下。 - 学習した progress signal は未使用の AprilTag corner error と一致(mean Spearman rho = 0.8778)。 - 未学習 3D ターゲット 2 つで translation error 86.48%, 90.27% 減、rotation error 70.01%, 65.70% 減。

- progress-aligned な action consequence が反復的な閉ループ補正と転移に寄与することを示唆。 - future-error alignment の寄与が大きいことを ablation で示す。 - 限界や失敗例、計算コスト、一般化範囲の詳細は要旨からは不明。 - code と data は open source で公開予定。

- 要旨で参照/比較されている個別研究は明示されていない。 - 関連手法として world models, visual servoing, DINOv2, AprilTag, imitation learning, model-based RL が挙げられる。 - 同分野の定番として closed-loop visual servoing や action-conditioned world model の文献を次に読むべき。