TraceFlow: 成功・失敗トレースで凍結フローマッチング方策を導く

- 視覚言語行動(VLA)ポリシーとflow-matching行動expertを対象としたtest-time guidance手法。 - 凍結したポリシーの重みを更新せず、成功・失敗rolloutの行動密度を進捗整合的な補正場に変換する。 - 各rolloutの終端結果bitのみをラベルとして使い、TraceBankに時系列のstate-action記録を蓄積する。 - 実機の順序付きpackingタスクとシミュレーションで評価。

- 既存のtest-time手法はretrieved successes、learned critic、verifier、dynamics modelを入力に使うが、失敗rolloutを負の証拠として使うものはない。 - TraceFlowは終端結果bitのみで成功・失敗の両rolloutを活用し、凍結ポリシーに有界な補正を与える点が新しい。 - 実機packingで成功率が21/50から39/50へ向上、重み更新なしのstacking 1ラウンドで47に達し、誤順序エピソードが20から0に減少。

- 成功・失敗rolloutの行動密度を進捗整合的なguidance fieldに変換し、凍結flow-matching expertへの有界補正とする。 - TraceBankは時系列のstate-action記録と終端ラベルを保持し、対象タスクの訓練traceから開始し、展開ロボット自身のrolloutも追加する。 - 各rolloutにつき終端結果bitのみを使用し、他のラベルを必要としない。

- 実機の順序付きpackingタスクで、base 21/50、TraceFlow 39/50、重み更新なしのstacking 1ラウンドで47を達成。 - シミュレーションではper-suite選択設定でRoboMemArena Sequenceが78.92%から91.50%、Transferringが54.41%から62.00%(stacking round 2)に向上。 - 26タスク集計は不変、CountingとOcclusionは1.12および1.42ポイント低下、LIBERO-Plus (Long)は+1.27ポイント(p=0.0733)。

- stackingの利得は有限で、各分岐は10ラウンド前にピークに達する。 - bankの成功対失敗比はretrieval allocationを予測しない。 - シミュレーションでの利得は選択的であり、一部タスクでは性能が低下する。

- 要旨で参照/比較されている研究: retrieved successes、learned critic、verifier、dynamics modelを用いたtest-time手法。 - 関連手法: flow-matching action expert、VLA policy、RoboMemArena、LIBERO-Plus。 - 同分野の定番: test-time adaptation、retrieval-augmented control、imitation learning with failure data。