データ不足下のロボット挿入における運動事前正則化の分解

- 本研究は、15件のデモンストレーションのみから diffusion policy を学習する際に、訓練時の motion-prior regularization が挿入成功率を改善するかを問う。 - Minimum jerk は予測並進加速度の急変を抑制し、speed-curvature regularization は移動速度を経路形状に結びつける。 - これらはタスク完了の候補メカニズムであり、安全保証ではない。 - 個別・同時・なし・generic smoothness を比較し、4つの記録条件クラスで各設定80回の実機試行を実施。

- 先行研究との具体的比較は要旨からは不明。 - データ希少なロボット挿入において、motion-prior regularization の個別・同時効果を実機で直接比較した点が特徴。 - 同時正則化はなしより5.0ポイント高い成功率を示したが、minimum jerk 単独を上回る観測利得はなかった。 - 単純な minimum jerk が再現の候補として動機づけられる。

- diffusion policy を15デモのみで学習。 - Minimum jerk: 予測並進加速度の急変を抑制。 - Speed-curvature regularization: 移動速度と経路幾何を結合。 - 個別、同時、なし、generic smoothness の設定を比較。 - 実機試行は4つの記録条件クラスで各設定80回。

- 各設定80回の実機試行を4つの記録条件クラスで実施。 - 成功率: 同時・minimum jerk単独 70/80 (87.5%)、speed-curvature単独 69/80 (86.3%)、なし 66/80 (82.5%)、generic smoothness 67/80 (83.8%)。 - Wilson 95% confidence intervals を可視化し直接比較。

- 同時正則化はなしより5.0ポイント高いが、minimum jerk単独を上回る観測利得なし。 - 相乗効果、生体力学的特異性、安全性向上、分布シフト頑健性は確立されていない。 - 結果は minimum jerk をより単純な再現候補として動機づける。

- 要旨で参照/比較されている研究は明示されていない。 - 同分野の関連手法として diffusion policy、minimum jerk、speed-curvature regularization、generic smoothness が挙げられる。 - 次に読むべき論文は要旨からは不明。