Skill2Real：ゼロショットSim-to-Realロボットマニピュレーションのためのエージェント型スキル学習

- シミュレーションで学習したロボット操作スキルを実機へゼロショット転移する枠組み Skill2Real を提案する。 - 共通の application programming interface (API) を通じて実行可能なスキルを学習する agentic policy framework。 - Proposer-Verifier-Governor (PVG) ループで privileged simulation evidence を使い結果を診断・更新検証する。 - Cerebellum が局所操作スキルを獲得し、Brain が Cerebellum を凍結してタスクレベル構成を学習する階層構造。 - 両メモリは task-policy fine-tuning や skill-memory updates なしで実機に転移する。

- 従来の sim-to-real は知覚・動力学・embodiment の差に弱く、タスク知識の再学習が必要だった。 - 本手法は共通 API と公開観測に接地したスキルを学習し、実機での fine-tuning なしの転移を可能にする。 - LIBERO-90 で学習した凍結チェックポイントを GPT-6 Astra で評価すると、LIBERO-Pro Long 成功が 2.0% から 56.3% へ向上し、Pro Long で訓練していない。 - Robosuite でも Sol 85.1%、Opus 5 89.4% の平均成功率を7タスクで達成。 - 実機4タスクで凍結 Sol 学習 LIBERO-90 スキルが平均 78.75% 完了。

- Proposer-Verifier-Governor (PVG) ループが privileged simulation evidence で結果を診断し更新を検証する。 - 学習スキルを public observations と API semantics に接地させる。 - Cerebellum が局所操作スキルを獲得し、Brain が Cerebellum 凍結下でタスクレベル構成を学習する階層。 - 共通の application programming interface (API) を通じて実行可能スキルを表現する。 - 実機転移時に task-policy fine-tuning や skill-memory updates を行わない。

- LIBERO-90 で GPT-5.6 Sol がスキル学習し、各凍結チェックポイントを GPT-6 Astra で評価。 - LIBERO-Pro Long 成功が 2.0% から 56.3% へ向上（Pro Long 未訓練）。 - Robosuite で Sol 85.1%、Opus 5 89.4% の平均成功率を7タスクで確認。 - 実機4操作タスクで凍結 Sol 学習 LIBERO-90 スキルが平均 78.75% 完了。 - Verifier または Governor を除くと LIBERO-90 訓練後の Pro Long 成功がそれぞれ 17.3、13.3 ポイント低下。

- Verifier と Governor の寄与が ablation で示され、PVG ループの重要性が示唆される。 - 共通 API を通じた実行可能スキル階層の学習と転移が支持される。 - ただし実機評価は4タスクに限られ、より多様な embodiment や知覚差への一般性は要旨からは不明。 - 実機での fine-tuning なし転移の限界や失敗モードは要旨からは不明。

- LIBERO-90、LIBERO-Pro Long、Robosuite に関する研究。 - Proposer-Verifier-Governor (PVG) ループや privileged simulation evidence を用いる sim-to-real 手法。 - Cerebellum と Brain の階層的スキル学習・構成に関する研究。 - GPT-5.6 Sol、GPT-6 Astra、Opus 5 などの agentic policy 評価に関連する研究。