形態パラメータ一般化のためのグラフ演算子ワールドモデル

本論文は、連続制御タスクにおけるWorld Modelの汎化性能を、既知の形態パラメータ（リンク長、質量、減衰、アクチュエーション）の変化に対して向上させることを目的とした、Graph-Operator World Models (GraphOp-WM) を提案している。GraphOp-WMは、身体とその運動学的関係を属性付きグラフで表現し、遷移を形態非依存の局所ダイナミクス基底と形態条件付き構造化オペレータに分解する。オペレータはノード局所変調、運動学ツリー結合、低ランク大域補正を組み合わせ、アーキテクチャ情報分離、基底正規化、ペア形態教師あり学習により、静的な形態依存性をオペレータ経路に担わせる。グラフレベル読み出しとエッジ単位の行動表現により、報酬、価値、TD-MPCスタイルの計画と互換性のあるインターフェースを提供する。さらに、Hopper、Walker2d、HalfCheetahにおいて、リンク形状、質量、減衰、アクチュエーションパラメータの補間、外挿、未見の組み合わせをカバーする制御されたMuJoCoパラメータ分割を定義している。

既存のWorld Modelは固定物理システム向けに訓練され、形態パラメータが変化すると性能が低下する。従来のアプローチはこれらのパラメータを条件付け情報として提供するが、学習された遷移のどの部分が再利用可能で、どの部分が形態に応じて変化すべきかを明示しない。GraphOp-WMは、遷移を形態非依存の基底と形態条件付きオペレータに明示的に分解することで、この問題に対処し、未見の形態パラメータへの汎化を可能にする点が新しい。

手法の核は、遷移関数を形態非依存の局所ダイナミクス基底と形態条件付き構造化オペレータに分解すること。オペレータは、ノード局所変調、運動学ツリー結合、低ランク大域補正の3つの要素で構成される。アーキテクチャ情報分離により、形態依存情報がオペレータ経路に集中するようにし、基底正規化とペア形態教師あり学習（paired-morphology supervision）が静的形態依存性の分離を促進する。グラフレベル読み出しとエッジ単位の行動表現により、報酬、価値、TD-MPCスタイルの計画と互換性のあるインターフェースを実現する。

有効性の検証は、MuJoCo環境（Hopper、Walker2d、HalfCheetah）において、リンク形状、質量、減衰、アクチュエーションパラメータの補間、外挿、未見の組み合わせを含む制御されたパラメータ分割を用いて行われる。具体的な評価指標や比較ベースラインは要旨からは不明だが、提案手法が未見の形態パラメータに対して汎化することを示す実験が行われたと推測される。

要旨からは、議論の詳細は不明。ただし、提案手法が形態パラメータの変化に対して頑健である一方で、複雑な形態や大規模なパラメータ変化に対する限界、計算コスト、実ロボットへの適用可能性などが議論される可能性がある。また、オペレータの設計や教師あり学習のペア選択が性能に与える影響も考察されるかもしれない。

要旨で参照されている関連研究として、TD-MPC（TD-MPC-style planning）が挙げられる。また、World Modelsの分野では、DreamerやPlaNetなどのモデルベース強化学習手法が関連する。さらに、グラフニューラルネットワークを用いた物理シミュレーションや、形態パラメータの変化に対する適応に関する研究（例えば、Meta-WorldやDomain Randomization）も関連する。具体的な論文名は要旨に明記されていないため、これらの一般名を挙げる。