REDACT: 未知の視覚劣化下での堅牢な知覚歩行

- 視覚劣化に頑健な移動ポリシーを目指す研究。 - 深度条件付きlocomotion policiesは、訓練分布外の観測で予期せぬ行動をとる問題がある。 - occlusion, invalid returns, sensor noise, visual distractorsが展開時の観測をずらす。 - REDACT (Retaining Evidence Despite Artifacts for Continued Traversal)を提案。 - teacher-student frameworkで、改良visual encoder、persistent feature masking、consensus-gatingを組み合わせる。 - 未モデルのcorruption下でも有用な深度情報を保持する。

- 既存のsynthetic sensor augmentationは指定された劣化を対象とし、訓練に含まれないcorruption familyの挙動を定義しない。 - REDACTは訓練時カバレッジのギャップに対処する。 - clean simulated depthのみで訓練し、unseen corruption下で有用な視覚情報を保持。 - 既存のparkour baselinesより高いtraversal successを示す。 - depth augmentationのcorruption family評価で、augmentation coverageが欠ける領域でもrobustnessを改善。

- teacher-student frameworkを採用。 - 改良されたvisual encoder architecture。 - persistent feature masking。 - 新規consensus-gating algorithm。 - gateはclean observationsのみでapproximate conformal calibrationを行い、corruption typeの事前知識を不要とする。 - これによりunmodeled corruption下で有用な深度情報を保持する。

- clean simulated depthで訓練。 - unseen corruption下でtraversal successを既存parkour baselinesと比較。 - corruption familiesにわたるdepth augmentation評価を実施。 - real-world trialsでstructuredおよびforested environmentsへのzero-shot transferを実証。 - ただし具体的な成功率や数値は要旨からは不明。

- synthetic sensor augmentationだけでは訓練に含まれないcorruption familyへの挙動を定義できない点を議論。 - REDACTはclean observationsのみのcalibrationでcorruption typeの事前知識を不要とする。 - augmentation coverageが欠ける領域でのrobustness改善を示す。 - 限界や失敗事例、計算コスト、他のcorruptionへの一般化については要旨からは不明。

- 要旨で参照/比較されている既存のparkour baselines。 - depth-conditioned locomotion policies。 - synthetic sensor augmentation。 - teacher-student framework。 - conformal calibration。 - 同分野の定番としてvisual locomotionやsim-to-real transferの研究。