Zeva-Ego: 一人称視点動画の中間学習と文脈内因果学習によるロボットマニピュレーション

- 一人称視点（Egocentric）の動画から物理的相互作用の経験を学習し、ロボット操作に活用する統合フレームワーク「Zeva-Ego」を提案。 - 人間の経験から物理的priorを学習し、ロボットとのinteractionを通じて継続的に適応することを目指す。 - 構成要素は、Action-Centric Encoder (ACE) と In-Context Causal Learning (ICCL)。 - ACEはegocentric visual transitionsをaction-centered supervisionに変換し、VLA mid-trainingに用いる。 - ICCLはdeployment時にaction-effect feedbackからparameter-free adaptationを可能にする。

- 従来はegocentric videoをrobot-executable knowledgeに変換し、継続適応させるのが困難だった。 - 提案手法はEgo dataを10K時間にスケールすることで、RoboTwin successを63.8%から75.3%に向上。 - これはrobot demonstrations 2K時間（74.7%）に匹敵し、経験的data ratioは約4-5:1。 - さらにICCLにより、parameter updatesなしで4回の試行以内にsuccessを58%から89%へ改善。 - 人間経験からの学習と自己interactionによる継続改善のスケーラブルな道筋を示す点が新しい。

- Action-Centric Encoder (ACE)：egocentric visual transitionsをaction-centered supervisionに変換し、VLA mid-trainingを実施。 - In-Context Causal Learning (ICCL)：deployment時にaction-effect feedbackからparameter-free adaptationを実現。 - Ego dataを10K時間規模にスケール。 - ICCLは累積interaction experienceを利用し、parameter updatesなしで適応。 - 詳細なネットワーク構造や学習アルゴリズムは要旨からは不明。

- RoboTwinにおけるsuccess rateで評価。 - Ego data 10K時間で63.8%から75.3%へ向上。 - robot demonstrations 2K時間の74.7%と同等。 - ICCLにより、4回の試行以内でsuccessが58%から89%へ向上（parameter updatesなし）。 - これらの結果から有効性を主張。

- Ego dataとrobot demonstrationsのdata ratioが約4-5:1であることを経験的に示す。 - parameter-free adaptationの限界や一般性については要旨からは不明。 - 他のタスクや環境への汎化性、長期適応の安定性については議論されていない。 - 要旨からは不明な点が多い。

- 要旨で参照/比較されている研究：RoboTwin（ベンチマーク）、VLA mid-training、robot demonstrations。 - 関連手法：Action-Centric Encoder (ACE)、In-Context Causal Learning (ICCL)。 - 同分野の定番：Vision-Language-Action (VLA) models、egocentric video learning、imitation learning。 - 具体的な論文名は要旨に記載なし。