PHASE: コンプライアンス対応触覚位相検索による少数ショット挿入学習

- 接触の多い組立作業（peg-in-hole insertion）を少数のデモから学習するためのフレームワーク。 - 名前は PHASE（PHase-Aware Segmentation and REtrieval）。 - compliance-enabled tactile phase retrieval を実現。 - マルチモーダルな接触認識表現学習、触覚信号からの可変長位相分割、位相整合検索を統合。 - 実世界の peg-in-hole insertion で評価。

- retrieval-augmented imitation learning は有望だが接触リッチ操作への適用は未探索。 - 接触リッチ挿入は search から insert へ複数位相で展開し、位相特異的な経験検索が未解決。 - PHASE は位相を考慮しない最強ベースラインより全体成功率を13ポイント改善。 - 未見初期位置での性能を30ポイント改善。 - 検索を接触位相に整合させることの有効性を示す。

- コンプライアント手首が接触を維持し、触覚・力信号が位相構造を自然に明示。 - マルチモーダル接触認識表現学習を統合。 - 触覚信号から可変長位相分割を実施。 - 位相整合検索によりポリシー学習を支援。 - これらを組み合わせた PHASE フレームワーク。

- 実世界の peg-in-hole insertion で5つのペグ形状を評価。 - 共有ポリシーアーキテクチャの下で最先端手法の検索戦略と比較。 - 位相を考慮しない最強ベースラインより全体成功率が13ポイント向上。 - 未見初期位置での性能が30ポイント向上。 - これらの結果が少数ショット挿入学習の堅牢性改善を示す。

- 接触リッチ操作への retrieval-augmented imitation learning の適用可能性を探る。 - 位相特異的な経験検索の原則的な方法が未解決課題。 - コンプライアント手首による接触維持が位相構造の手がかりになるという洞察。 - 位相整合検索が堅牢性を大幅に改善することを示唆。 - 限界や今後の課題は要旨からは不明。

- retrieval-augmented imitation learning の関連研究。 - 接触リッチ操作のための imitation learning 手法。 - peg-in-hole insertion の学習に関する研究。 - 触覚・力信号を用いた位相分割や検索の手法。 - コンプライアント制御と触覚表現学習の組み合わせ。