DECOWAM: 脚式移動マニピュレーションのための分離型全身世界行動モデル

DECOWAMは、脚式移動マニピュレーションのための全身世界行動モデル（whole-body world-action model）であり、カメラの自己運動（ego-motion）とベース・アームのアクションを分離して扱う。固定ベースのプラットフォーム向けに開発された既存のworld-action modelとは異なり、専用の条件付けインターフェースを通じてこれらの要素を分離する。また、実ロボットデータセットARMDOGを導入し、ビデオ、全身状態、アクション、言語を同期して記録する。

先行研究のworld-action modelは主に固定ベースのプラットフォーム向けであり、カメラの自己運動とベース・アームのアクションを明示的に区別していない。DECOWAMは、これらの要素を分離する専用の条件付けインターフェースを導入し、移動する視点（moving viewpoints）下でのパラメータ効率的な視覚予測と全身制御を可能にした点が新しい。

DECOWAMは、適応済みのFastWAMバックボーンを凍結し、残差アダプタ（residual adapters）を訓練する。さらに、特権的な観測から蒸留されたアクション等価な未来ボトルネック（action-equivalent future bottleneck）、敵対的に分離されたベースとアームの潜在変数（adversarially separated base and arm latents）、およびビデオ予測のためのベース速度条件付け（base-velocity conditioning）を用いる。

固定リプレイプロトコル（fixed replay protocol）で、DECOWAMはFastWAMと比較して将来ビデオ予測とアクション予測の両方を改善し、アクションMSEを21.7%削減した（25.95Mの訓練可能な適応パラメータ）。また、各手法で79回の閉ループ試行を行い、比較システムの中で最も高い全身協調（whole-body coordination）とベース変位ロバスト性（base-displacement robustness）を達成した。タスク完了率は最強のベースラインと同等だった。

要旨からは、DECOWAMが全身協調とベース変位ロバスト性で優れる一方、タスク完了率は最強ベースラインと同等であり、必ずしもタスク成功率を向上させるわけではないことが示唆される。また、パラメータ効率的な適応（25.95Mパラメータ）で改善を達成しているが、計算コストや実環境での汎化性については要旨からは不明。

要旨で参照されているFastWAM（world-action modelのベースライン）と、関連するworld-action modelの研究。また、脚式移動マニピュレーションのための全身制御や、移動視点下でのビデオ予測に関する研究。