同じラベルでも異なるインターフェース：ロボット学習における行動空間ラベルの限界

ロボット学習における position と velocity の action ラベル比較が、実際にロボットが実行する動作を一意に定めない点を扱った研究。bounded policy output が filtering、physical scaling、reference construction、feedback、timing、effort limits を経て運動になるまでの省略された性質が attribution に与える影響を、同一 learner・同一 training budget で検討する。

従来は position/velocity を単一の実験条件として比較しがちだったが、本論文はラベルだけでは実行経路が決まらないことを示す。同一 position-feedback law 内で physical action scale のみ変える比較や、raw-torque command gain を一致させた cross-law 比較を行い、実行 pathway の報告と一致させた物理量の明示を求める点が新しい。

contact-rich な Factory の3タスク(PegInsert、GearMesh、NutThread)で、5つの joint-space interfaces を各条件10個の独立学習 policy で比較。同一 position-feedback law 内で physical action scale のみ変更、exponential moving average の除去、さらに velocity scale を position interface の local raw-torque command gain に一致させる calibration を行い、sample-median evaluation success を比較する。

3つの Factory タスクで各条件10 policy の sample-median evaluation success を指標に検証。physical action scale のみの変更でタスク間 0.645-1.000 の変化、exponential moving average 除去でタスク依存の変化を観測。cross-law では calibration により GearMesh と NutThread で median が上昇し PegInsert は変化なし、一方 PegInsert と GearMesh には残差 gap が残り NutThread は区間が zero を含む。

明示的な gain 一致でも feedback と held-action dynamics は未一致のままで、position-velocity の trained-outcome equivalence は確立されないと議論。action-interface 比較では実行 pathway を報告し、一致させた物理量を明示すべきと主張する。要旨からは不明な点として、他タスクや実機への一般化の程度は示されていない。

要旨で参照/比較されている position-feedback law、velocity scale、local raw-torque command gain、exponential moving average に関わる研究や、Factory の PegInsert・GearMesh・NutThread を用いた contact-rich manipulation 研究。関連手法として position control と velocity control の比較研究、action space 設計の robot learning 研究を挙げる。