触覚シミュレーションを使わない触覚Sim2Real：ボトルネック潜在再構成による実現

本論文は、触覚センサのシミュレーションを一切行わずにSim2Real転移を実現するフレームワークSBLR (Sim2Real via Bottlenecked Latent Reconstruction) を提案する。具体的には、特定のセンサをモデル化せずに構築可能なシミュレータ内蔵のオラクルセンサ（例：点群と指先力）でポリシーを訓練し、推論時に実センサの潜在表現をオラクルセンサの潜在表現に整列させる。ポリシー訓練は2段階で行われ、まずオラクルセンサの潜在表現から学習し、次にボトルネック付き潜在再構成により実センサ使用時の情報損失に適応する。オラクルと実センサの整列は、シミュレーションと実世界で収集した非対のランダムプレイデータから、最近傍擬似ペアを用いて訓練されたrectified-flowベースの変換ネットワークにより学習される。

従来の触覚Sim2Realは、各センサをシミュレーションでモデル化する必要があり、専門知識と計算近似による忠実度低下の問題があった。SBLRはセンサ固有のシミュレーションを完全に回避し、オラクルセンサと実センサの潜在表現の整列のみで転移を実現する点が新しい。また、非対のランダムプレイデータとrectified-flowを用いた変換ネットワークにより、ペアデータなしで整列を学習できる点も先行研究と異なる。

手法の核は、(1) シミュレータ内蔵のオラクルセンサ（点群と指先力）を定義し、その潜在表現でポリシーを訓練する。(2) 実センサの潜在表現をオラクルの潜在表現に変換するrectified-flowベースの変換ネットワークを、シミュレーションと実世界の非対ランダムプレイデータから最近傍擬似ペアを用いて訓練する。(3) ポリシー訓練は2段階で、まずオラクル潜在表現で学習し、次にボトルネック付き潜在再構成により実センサの情報損失に適応する。

シミュレーション実験では、3つの接触リッチタスクでSBLRがオラクル（触覚シミュレーションに直接アクセス）の性能に匹敵または接近することを示した。ハードウェア実験では、Peg InsertionとGear MeshingをGelSight MiniとDIGITセンサで実施し、センサ固有のモデリングやキャリブレーションなしで85-97.5%のゼロショット成功率を達成し、物理ベースの触覚シミュレーションベースラインを7.5-15%上回った。

要旨からは、SBLRの限界や議論についての詳細は不明。ただし、オラクルセンサの選択（点群と指先力）がタスクに依存する可能性や、非対データからの整列の品質がランダムプレイデータの多様性に依存する点などが考えられるが、要旨には明記されていない。

要旨で参照されている関連研究として、物理ベースの触覚シミュレーションベースラインが挙げられる。また、rectified-flow変換ネットワークの基盤となる研究や、触覚Sim2Realの既存手法（例：Tactile Sim2Real）が関連する。具体的な論文名は要旨にないため、同分野の定番として、触覚センサのシミュレーション手法やSim2Real転移の一般的手法を読むことが推奨される。