ESP: ワンステップ多峰性行動生成のためのエネルギー・スコア方策

- 拡散モデルや flow matching を用いた生成的行動モデルは VLA ポリシーで採用が進むが、反復サンプリングにより推論遅延が大きい。 - 本研究は ESP (Energy-Score Policy) を提案する。 - teacher-free なアプローチ。 - ポリシーの文脈とノイズを直接行動チャンクに単一のネットワーク評価で写像する。 - 行動ヘッドを mean squared error ではなく energy score で訓練する。 - 反復サンプリングなしで多峰性行動分布を学習する原理的目標を提供する。

- 先行の diffusion や flow matching ベースの VLA ポリシーは、反復的なサンプリング手順のため各行動チャンク生成に繰り返しネットワーク評価が必要で、閉ループ制御の推論遅延を増大させる。 - ESP は teacher-free で、単一のネットワーク評価により行動チャンクを直接生成する。 - これにより flow matching ベースラインと比較して行動生成遅延を大幅に低減しつつ、競争力のあるタスク成功率を示す。 - 反復サンプリングを必要とせず、多峰性行動分布を学習する原理的目標を提供する点が異なる。

- ポリシーの文脈とノイズを入力とし、単一のネットワーク評価で行動チャンクを出力する。 - 行動ヘッドの訓練に energy score を使用する。 - energy score は strictly proper であり、その期待値は目標分布によって一意に最小化される。 - 二乗誤差回帰は条件付き平均を目標とするのに対し、energy score は目標分布を直接学習する。 - モデルが目標分布を表現できる場合、母集団最適解で正確な回復が可能。 - これにより反復サンプリングなしで多峰性行動分布を学習する。

- シミュレーションと実世界のマニピュレーションタスクの両方で実験を実施。 - flow matching ベースラインと比較して、競争力のあるタスク成功率を示した。 - 行動生成遅延が大幅に低いことを示した。 - これらの結果は、反復的生成ロボットポリシーに対する効率的な代替として、直接分布学習を支持する。

- 要旨からは不明。 - ただし、energy score の strictly proper 性に基づき、モデルが目標分布を表現できる場合の母集団最適解での正確な回復が議論されている。 - 反復サンプリングなしで多峰性行動分布を学習する原理的目標の提供が主張されている。

- 要旨で参照/比較されている研究: diffusion ベースの VLA ポリシー、flow matching ベースライン。 - 関連手法: vision-language-action (VLA) ポリシー、energy score、mean squared error 回帰。 - 同分野の定番: 拡散ポリシー (Diffusion Policy)、flow matching ポリシー。