LieSpline-DP: 滑らかなロボットマニピュレーションのためのリー群Bスプライン拡散ポリシー

- Diffusion Policy (DP) を基盤としたロボットマニピュレーションのための Learning from Demonstration (LfD) 手法。 - 提案手法 LieSpline-DP は、Lie-group B-spline を用いて end-effector 軌道を SE(3) 上で直接生成する。 - 連続する action chunk 間で境界 control pose を共有し、計画軌道全体で C^2 連続性を保証する。 - 実ロボット3タスクで評価し、軌道 jerk の低減とタスク成功率の向上を報告。

- 従来の Diffusion Policy (DP) は不連続・非平滑な軌道を生成する問題があった。 - 既存の spline-based 手法は個々の action chunk 内の平滑化は図るが、chunk 間の C^2 連続性を保証せず、SE(3) の群構造も考慮していなかった。 - LieSpline-DP は SE(3) 上で直接軌道を生成し、境界 control pose の共有により軌道全体で C^2 連続性を実現する点が新しい。 - 液体や柔軟物体を含む実タスクで DP baseline を大きく上回る成功率を示した。

- Lie-group B-spline により end-effector 軌道を SE(3) 上で表現・生成する。 - 連続する計画（action chunk）間で境界 control pose を共有することで、chunk 間の C^2 連続性を保証する。 - Diffusion Policy の枠組みにこの spline 表現を組み込み、平滑な軌道生成を実現する。 - 詳細なネットワーク構造や学習手順は要旨からは不明。

- 3つの実ロボットタスクで評価を実施。 - DP baseline と比較して、軌道 jerk が低く、タスク成功率が高いことを確認。 - 液体および柔軟物体を含む実世界タスクで顕著な改善：LieSpline-DP は pouring と bucket hooking で 100% の成功率を達成し、DP baseline はそれぞれ 10% と 30% であった。 - 統計的有意性や試行回数などの詳細は要旨からは不明。

- 要旨では LieSpline-DP の有効性が強調されているが、限界や失敗事例、計算コスト、一般化性に関する議論は要旨からは不明。 - 実世界タスクでの大幅な成功率向上は、平滑性と SE(3) 上の軌道生成の重要性を示唆する。 - 比較対象は DP baseline のみで、他の spline-based 手法との直接比較は要旨からは不明。

- Diffusion Policy (DP) の原論文（Chi et al. らによる Diffusion Policy）。 - 既存の spline-based action representation を用いた LfD 手法（具体的な論文名は要旨からは不明）。 - SE(3) 上の軌道生成や Lie-group を用いたロボットマニピュレーションに関する研究。 - Learning from Demonstration (LfD) の一般的なサーベイ論文。