SEED-UMI: 人間とロボットで外骨格を共有する一対一の器用なデモンストレーション

- 器用なハンドの模倣学習のためのフレームワーク SEED-UMI を提案。 - 人間とロボットが同じ exoskeleton を装着する点が特徴。 - joint encoders を物理的に共有された計測として利用。 - exoskeleton に取り付けた wrist cameras が、人間のデータ収集時とロボットの policy rollout 時の両方で同じ outer mechanism を観察。 - これにより retargeting を paired cross-embodiment supervision に変換。 - セグメンテーションや inpainting なしで、生の exoskeleton 中心の wrist 画像上で policy を直接学習可能。

- 従来の wearable-exoskeleton システムは人間側のみを記録し、自由空間で校正された open-loop mapping で retargeting していた。 - そのため接触時に性能が劣化する問題があった。 - SEED-UMI は人間とロボットが同じ exoskeleton を装着することで、retargeting を paired cross-embodiment supervision に変える。 - 接触が豊富なタスクでも faithful に転移できる可能性を示す。 - データ収集効率が exoskeleton-based teleoperation より 3.0 倍高い。

- 人間とロボットが同一の exoskeleton を装着する設計。 - joint encoders が物理的に共有された計測となる。 - exoskeleton に wrist cameras を搭載し、人間のデータ収集時とロボットの policy rollout 時に同じ outer mechanism を観察。 - これにより retargeting が paired cross-embodiment supervision として機能。 - policy は生の exoskeleton 中心の wrist 画像で直接学習され、segmentation や inpainting を必要としない。

- 5 つの contact-rich tasks で評価。 - exoskeleton-based teleoperation と比較してデータ収集効率が 3.0 倍。 - 平均 rollout 成功率 70.0% を達成。 - これにより有効性を検証。

- 要旨からは不明。 - 限界や失敗事例、一般的なタスクへの適用可能性については記述がない。

- 要旨で参照/比較されている研究: exoskeleton-based teleoperation、wearable-exoskeleton systems、open-loop mappings。 - 関連手法: imitation learning for dexterous hands、retargeting、cross-embodiment supervision。 - 同分野の定番: 不明（要旨に具体的な論文名の記載なし）。