TILDE、実世界3課題で行動模倣比最大4.1倍の性能を報告

何が起きたか

arXivに2026-10-18付で掲載された論文は、Embodied Foundation Models（EFMs）から、行動事前学習を持たない方策へ知識を移すTILDE（Teacher-in-the-Loop Distillation from EFMs）を提案した。論文によると、学生方策が生じさせた状態でのオンポリシー蒸留と、教師が実行した復帰軌跡の学習を組み合わせる。3つの実世界タスクで、TILDEは行動模倣（behavior cloning）比で最大4.1倍の性能向上を示したとしている。

詳細

論文は、既に事前学習されたEFMsが持つ操作能力を、行動事前学習を必要としない方策へ移す枠組みとしてTILDEを位置づける。あわせて提案したAutoDAggerでは、ロボットの報酬モデルで課題進捗を監視し、教師介入のタイミングを自動で起動することで、人による監視や手動操作なしに復帰経験を収集すると説明している。 論文は、AutoDAggerが人間が介在する手法に比べて復帰軌跡の収集を2倍超高速化したと述べる。また、TILDEは「demonstrations」「on-policy teacher supervision」「teacher's corrective behavior」を統合し、異なるアーキテクチャ間の蒸留も有効に行えるとしている。

Key Facts

本紙の見方

この論文の新しさは、EFMの能力移転を「教師付き蒸留」だけでなく、学生方策が崩した状態から教師が回復させる軌跡まで学習対象に含めた点にある。行動事前学習を厚く積む従来の前提を薄めつつ、失敗後の復帰をデータ化しているため、単なる模倣学習の改良というより、操作ポリシーの学習データ設計を組み替える提案だと読める。AutoDAggerも同じ文脈にあり、教師の介入を人手運用から切り離している。 本紙の関連記事は与えられていないため、過去報道との接続はできない。ただし、論文の構造から見ると、焦点はモデル性能そのものより、EFMで得た事前学習済み能力をどこまで少ない人手と少ない追加操作データで再利用できるかにある。3つの実世界タスクで最大4.1倍という結果は、模倣学習の上限というより、復帰軌跡を含むデータ収集設計が性能差を左右することを示唆する。 業界構造への含意としては、ロボット学習のボトルネックが、単純なデモ収集から、失敗時の回復場面をどう集めるかへ移っている点が重要だ。AutoDAggerが報告する2倍超の収集効率は、教師介入を常時人手で見張る設計から、報酬モデルで介入点を切る設計への移行を示す。これにより、学習データの取得コスト、教師稼働、実機実験の回転率がどこまで変わるかが次の論点になる。 未確定の論点は、3つの実世界タスクの具体名、EFMのモデル規模、AutoDAggerで使った報酬モデルの構成、復帰軌跡の総量、そして異なるアーキテクチャ間蒸留の適用条件である。論文は性能向上を示したが、どの作業でどの程度のデータ量が必要かは本文だけでは切り分けきれない。

なぜ重要か

論文が示すのは、ロボット学習で必要なデータの中身が、成功デモだけでなく失敗後の復帰データまで含む方向に変わりうる点である。研究機関やロボット開発者にとっては、教師を常時張り付ける運用をどこまで減らせるかが実装上の焦点になる。

日本への影響

日本のロボット研究や実機評価では、少人数で回せる学習データ収集の設計が重要になるとみられる。特に、復帰軌跡を自動収集するAutoDAggerの考え方は、実機試験の人手制約が強い分野で論点になりうるが、適用可否は各タスクの報酬設計と介入条件に依存する。