経験に基づく実現可能性を考慮した身体性不一致下での観察からの生成的敵対的模倣

- ロボット不要のデモインターフェースで得た状態軌道のみから模倣する Imitation from Observation の手法。 - 人間とロボットの embodiment や dynamics の違いにより、デモがロボットにとって実行不可能な場合がある問題に対処。 - Experience-Based Feasibility-Aware Generative Adversarial Imitation from Observation (EF-GAIfO) を提案。 - ロボット自身の経験から状態のみデモの feasibility を推定し、明示的 dynamics model や大規模事前探索データに依存しない。 - feasibility の概念が policy learning とともに進化し、学習段階に適応する模倣を可能にする。

- 従来の Imitation from Observation は embodiment mismatch を考慮せず、実行不可能なデモが policy 性能を低下させる可能性があった。 - 既存の feasibility 推定は明示的 dynamics model や大規模 prior exploration dataset に依存することが多い。 - EF-GAIfO はロボット自身の経験のみから feasibility を推定し、事前設計された feasibility criterion を必要としない。 - feasibility が policy learning の進行に伴い進化し、より多くのデモを段階的に取り込める点が新しい。

- Generative Adversarial Imitation from Observation (GAIfO) を基盤とし、feasibility-aware な模倣を実現。 - ロボット自身の経験（state transitions）から状態のみデモの feasibility を推定。 - 明示的 dynamics model や大規模 prior exploration dataset を使用しない。 - policy が改善し経験する state transitions が広がると、feasible region が徐々に拡大。 - これにより追加のデモを学習に組み込み、現在の policy learning 段階に適応した feasibility-aware imitation を実現。

- simulation における locomotion task で EF-GAIfO の有効性を検証。 - 実機の quadruped robot による object-reaching-and-grasping task でも検証。 - これらの実験を通じて、embodiment mismatch 下での有効性を確認。

- 要旨からは不明。 - 想定される議論点：feasibility 推定の精度、実機での安全性、他の embodiment mismatch タスクへの汎化、計算コストなど。 - ただし要旨には明示的な議論や限界の記述はない。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として Generative Adversarial Imitation from Observation (GAIfO) が基盤として挙げられる。 - 同分野の定番として Imitation from Observation (IfO)、Generative Adversarial Imitation Learning (GAIL)、Domain Randomization などが次に読むべき候補。 - 具体的な論文名は要旨からは不明。