視覚言語に基づくタスク文脈認識型模倣学習によるロボット分解

- ロボットによる分解作業（robotic disassembly）を対象とした模倣学習フレームワーク。 - 長期的な作業（long-horizon execution）で、複数部品に対する順序付き操作を必要とする。 - 言語によるタスクコンテキストを導入し、階層的タスク選択とタスクコンテキスト認識型模倣学習を組み合わせる。 - 言語指示を視覚空間表現にグラウンディングし、多様なコネクタ形状や組立構成に汎化する。 - 明示的な物体アノテーションを必要としない。

- 従来の模倣学習（例：diffusion policy）やタスクコンテキスト認識ベースラインと比較。 - エンドツーエンドのタスク成功率がdiffusion policyベースラインより35ポイント、以前のタスクコンテキスト認識ベースラインより75ポイント向上。 - 生の観測のみから意図されたスキルを推論する困難さを、言語によるタスクコンテキストで緩和。 - 訓練データがカバーできない組み合わせ的多様性に対処できる点が優位。

- 階層的タスク選択（hierarchical task selection）とタスクコンテキスト認識型模倣学習（task-context-aware imitation learning）を統合。 - 言語指示を空間視覚表現にグラウンディングし、言語指定タスクと対応する操作対象を視覚シーン内で関連付ける。 - タスクコンテキストがスキル選択の明示的な構造を提供。 - 明示的な物体アノテーションを不要とする。

- エンドツーエンドのタスク成功率を指標に評価。 - ベースライン（diffusion policy）および以前のタスクコンテキスト認識ベースラインと比較。 - 多様なコネクタ形状や組立構成への汎化を検証。 - 具体的な実験設定やデータセットは要旨からは不明。

- 言語によるタスクコンテキストがスキル選択と操作対象の関連付けに有効であることを示唆。 - 訓練データの組み合わせ的多様性の限界を言語が補う可能性。 - 限界や失敗事例、計算コスト、実世界への適用範囲については要旨からは不明。

- 要旨で参照されているベースライン：diffusion policy、以前のタスクコンテキスト認識ベースライン。 - 関連手法：imitation learning、vision-language grounding、hierarchical task selection。 - 同分野の定番：behavior cloning、transformer-based policies。