SplineWAM、Bスプライン表現でWAMのアクション区間を適応化
SplineWAMは世界アクションモデル（WAM）が予測する固定長アクションチャンクを、Bスプラインのノット時刻と制御点に置き換える手法である。アクションチャンキングWAMと比較して、LIBERO-PlusとRoboCasaで成功率を8.2ポイント、4.4ポイント改善し、推論呼び出しを22%と26%削減した。本論文は査読前のプレプリントである。
固定長の一様時間グリッドではなく、動作の複雑さに応じて時間解像度と実行区間を適応的に変えられる行動表現をWAMに導入できるか。
既存WAMは固定数のアクションを一様時間グリッドで予測するため、自由空間では冗長な推論を発生させ、接触や挿入などの精密操作では再計画が粗くなりすぎる。クラウドから多数のロボットに配信する場合、ポリシー呼び出し回数がスループットのボトルネックになる。
従来はZhao et al. (2023)由来のアクションチャンキングが標準で、BEASTやNaive B-SplineなどBスプラインを用いる表現も固定長区間を前提としていた。推論時にエントロピーや視覚差分でチャンク長を変える手法もあるが、行動表現自体の時間サポートと解像度は固定されていた。
行動分岐だけを立方Bスプラインのノット時刻と制御点の固定サイズ窓に置き換え、デモ軌跡全体を許容誤差で適応フィッティングする。予測されたノット時刻がデコードされるアクション数、実行スパン、再計画間隔を決める。ビデオ教師も一様グリッドではなくデモのノット時刻に合わせてサンプリングする。非同期実行では、デコード後アクション上で連続性残差を作り、デコーダのヤコビアンでパラメータ補正へ引き戻すJP-RTCを提案する。
シミュレーションの同期実行において、SplineWAM-KnotはLIBERO-Plusで成功率74.5%（Action Chunking 66.3%）、呼び出し回数26.2（同33.6）、RoboCasaで成功率73.5%（同69.1%）、呼び出し回数16.3（同21.9）を達成した。実機3タスク各30試行の非同期実行では、Clean Whiteboardで成功率60.0%（ベースライン50.0%）、Arrange Bookshelfで23.3%（同20.0%）、Charge Earphoneで26.7%（同26.7%）となり、実行チャンク長はベースラインの32固定に対し38.6、45.7、52.4と1.2倍から1.6倍に伸びた。JP-RTCはNaive RTCを全実機タスクで上回った。
査読前のプレプリントであり、シミュレーションは2つのベンチマーク、実機は3タスク各30試行に限られる。Charge Earphoneでは成功率が同等でも進捗がベースラインより低く、同一動作を毎回行う精密挿入では連続表現の信頼性が落ちる。コード公開の有無は論文では報告されていない。
WAMをクラウドで多数ロボットに配信する企業やロボットフリート運用者にとって、ポリシー呼び出し回数の削減は直接的なスループット向上につながる。自由空間移動が多いモバイルマニピュレーションや反復作業で効果が見込めるが、接触リッチな精密作業では精度低下リスクがある。実用化には多様なロボットと長時間タスクでの検証、実行基盤との統合が必要で、時間軸は1年から3年程度とみられる。
この論文はライセンス上、全文を転載できないため、要約と原文へのリンクのみを掲載しています。