重要な場所を探せ：ローバー適応のための狙い撃ち探索

- 惑星探査ローバーが急斜面や変形地形を走行する際の slip・sinkage・地形変形による mobility 低下に対処するための、deployment 時の online adaptation フレームワーク TERRA (Targeted Exploration for Reward-Relevant Adaptation) を提案した研究。 - simulation で学習した world model を実環境データで適応させ、MPC による走行制御を改善する。 - 限られた試行回数の中で、タスクに関連する model error を効率的に露呈させる探索を行う点が中心。

- sim-to-real gap を埋めるために deployment-time adaptation を行う点は既存研究と共通するが、単なる探索ではなく「reward-relevant な誤差」を狙い撃ちする点が新しい。 - 受動的なデータ収集や一般的な exploration baseline と比較して、reward・completion time・energy to first success で優位と報告。 - 実機 ERNEST rover での検証まで行っている点が強み。

- simulation で学習済みの world model を、reward-weighted prediction loss を用いて実データで適応させる。 - 将来の performance-relevant error が発生しやすい箇所を推定する loss predictor を学習する。 - その loss predictor の信号を MPC の探索に利用し、タスクに関連する model error を露呈するデータを能動的に収集する。

- simulation において、 severe out-of-distribution pretraining 条件下で約5試行以内に約90%の slope-climbing success を達成し、exploration baseline と reward・completion time・energy to first success で比較した。 - 実機 ERNEST rover を用い、deformable Mars-simulant slope 上で coordinated active-suspension locomotion を3〜5回の実世界試行で回復した。

- 要旨からは不明。 - 想定される論点として、限られた試行での適応の限界、loss predictor の汎化性、実機での安全性確保などが考えられるが、要旨には明記されていない。

- 要旨で参照・比較されている exploration baseline の具体的名称は不明。 - 関連手法として、sim-to-real adaptation、world model ベースの MPC、active learning / targeted exploration、deformable terrain の wheel-soil interaction modeling に関する研究が次に読む候補となる。