幾何学的表現条件付けによる精密ビジュオモーターポリシー

- 精密な終端位置・方位合わせのための goal-conditioned visuomotor policy「GR-VIP」を提案する研究。 - 移動ロボットの docking タスクを対象に、実世界で学習・評価する。 - 視覚 encoder は relative camera pose estimation 用に pretrained されたものを利用する。 - 学習・未見環境の両方で高い docking 成功率と millimeter-scale の終端精度を報告。

- 従来の vision-based learning は pretrained visual encoder による target-relative control と未見環境への汎化を示してきた。 - しかし general-purpose な視覚表現は、current view と goal view の fine-grained な空間差を捉えるよう設計されていない点を課題とする。 - また millimeter-scale の終端精度と環境間 zero-shot transfer を両立する実世界 demonstration は限られていた。 - GR-VIP は relative pose estimation 用 pretrained encoder を活用し、この課題に対処する点が新規。

- visual encoder は relative camera pose estimation で pretrained されたものを用いる。 - 最終的な relative-pose estimate ではなく、pose regression 前の dense relational features を action prediction の条件として使う。 - これにより current view と goal view 間の fine-grained な cross-view 情報を保持する。 - demonstration から corrective action を学習する goal-conditioned visuomotor policy として構成される。

- 実世界の docking タスクで評価を実施。 - 学習環境と未見環境の両方で高い docking 成功率と millimeter-scale の終端精度を確認。 - 未見環境への transfer には追加学習を用いていない（zero-shot transfer）。 - 補足実験として、docking 以外の target への alignment と、試験した低照度条件下での docking 完了能力も示す。

- 未見環境への zero-shot transfer と millimeter-scale 精度の両立を実世界で示した点が主な主張。 - 低照度条件や非 docking target への alignment も補足的に検証されている。 - ただし要旨からは、失敗事例や限界、計算コスト、他タスクへの一般化に関する詳細な議論は不明。 - 評価は docking タスク中心であり、他タスクへの適用性は要旨からは不明。

- relative camera pose estimation の手法（visual encoder の pretraining 元）。 - vision-based learning による target-relative control および未見環境への汎化に関する先行研究。 - goal-conditioned visuomotor policy の関連手法。 - 実世界 mobile robot の docking／precision alignment に関する研究。