ロボット世界モデルにおける習慣・物理・ノイズの分離

- テレオペレーションによるロボットデモは、行動が与えられればほぼ決定論的でもマルチモーダルになる。 - このマルチモーダル性は、operator habit（行動選択の癖）、shared physics（共有物理）、observation nuisance（観測ノイズ）の3要因が混ざったものだと主張。 - 次観測予測器はこれら3つを絡めて吸収してしまう。 - 構造的因果モデル a=g(h,z,u), z'=f(z,a), o=r(z,c) で定式化。 - 介入実験と適応則（shared physics readoutを凍結し薄いinterfaceのみ更新）を提案。

- 従来の次観測予測は3要因を絡めて学習し、物理と癖・ノイズを分離できなかった。 - 本研究は構造的因果モデルで明示的に分離し、介入で各要因の寄与を検証。 - 行動の置換・シャッフルで次状態誤差が急増する一方、外観・カメラ変化では増えないことを示す。 - habit-aware reverse scoringで実行可能な過去のランキングを改善し、力学を書き換えない。 - 凍結した物理readout＋薄いinterface更新により、低ショット転移や汚染適応データ下での力学保持が向上。

- 構造的因果モデル a=g(h,z,u), z'=f(z,a), o=r(z,c) を導入。 - h: operator habit、z: 状態、a: 行動、u: ノイズ、c: nuisance、o: 観測。 - 介入：固定状態で行動を置換/シャッフル、外観・カメラ変更。 - habit-aware reverse scoringで過去の実行可能性をランキング。 - 適応則：shared physics readoutを凍結し、薄いinterfaceのみ更新。

- StackCube, DROID, RH20T で検証。 - 低ショット転移がスクラッチ学習より改善。 - 汚染された適応データ下でもクリーンな力学を保持。 - proprioceptionからpixel観測へ拡張し、multi-viewとmulti-stepチェックを実施。 - 行動置換/シャッフルで次状態誤差が急増、外観・カメラ変化では増えないことを確認。

- latent actionsとoperator habitを同一視しないと明記。 - 大規模video generationベンチマークは対象外。 - 3要因の分離可能性や介入の妥当性について議論の余地。 - 適応則の一般性や他タスクへの拡張は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として structural causal model、habit-aware reverse scoring、shared physics readout の凍結適応が挙げられる。 - 同分野の定番として robot world models、teleoperation、multimodal demonstration、next-observation prediction に関する論文を読むと良い。