見てから動け：能動的知覚と視覚言語行動モデルを観測整合データ適応で橋渡し

- 混雑環境での物体操作において、active camera motion による能動的知覚と Vision-Language-Action (VLA) policy を橋渡しするデータ適応フレームワーク ActiveAlign を提案する研究。 - 問題設定は「first-frame distribution sensitivity」：active perception でカメラを動かすと、操作 policy の学習分布と異なる初期観測状態にロボットが置かれ、性能が劣化する点。 - LIBERO の perturbed starts で、camera repositioning を pi_0.5 の前に単純に付けると成功率が 46.3% から 11.5% に低下することを示す。 - ActiveAlign は active perception が終了する状態から VLA policy を学習させる。

- 従来の VLA 学習は固定された初期観測分布を前提とするが、active perception を前置すると分布シフトが生じることを first-frame distribution sensitivity として明確化。 - 単純に camera repositioning を前置する naive な手法では pi_0.5 が 46.3%→11.5% に悪化するのに対し、ActiveAlign は 72.7% を達成。 - 標準学習ベースライン比で pi_0 は +40.0%、pi_0.5 は +26.4% の改善。 - matched-state および data-matched controls により、単なる prefix shortening や汎用 viewpoint augmentation を超える効果であることを支持。 - OpenVLA や GR00T N1 でも同様の傾向を確認。

- 学習済み viewpoint module がまず camera trajectory を生成する。 - Offline では closed-loop alignment により trajectory endpoint を既存 demonstration に接続し、残りの manipulation trajectory を replay。 - 成功した continuation を保持し fine-tuning に利用するデータ適応を行う。 - 展開時は同じ viewpoint module を adapted VLA の前に置くが、VLA の architecture は変更しない。 - 要点は、active perception 終了時の観測・ロボット状態分布に policy 学習を整合させること。

- LIBERO の 40 タスクで評価。pi_0 で 70.7%、pi_0.5 で 72.7% の成功率。 - 標準学習ベースラインに対し pi_0 で +40.0%、pi_0.5 で +26.4% の改善。 - matched-state および data-matched controls を実施し、prefix shortening や generic viewpoint augmentation だけでは説明できないことを確認。 - OpenVLA と GR00T N1 でも同様の傾向を確認。 - 実世界の physical occlusion 下で成功率が 35/90 から 83/90 に向上。

- active perception は、viewpoint selection が誘起する観測・ロボット状態分布に policy 学習を整合させた場合に manipulation に有効であると結論。 - first-frame distribution sensitivity が naive な前置きの性能劣化の原因であると議論。 - matched-state / data-matched controls により代替説明を排除する議論を提示。 - 限界や失敗事例、計算コスト、real world の詳細条件などは要旨からは不明。

- pi_0.5（本研究で基盤として比較される VLA policy） - pi_0（比較対象の VLA policy） - OpenVLA（同傾向を確認した VLA） - GR00T N1（同傾向を確認した VLA） - LIBERO（評価ベンチマーク） - active perception / viewpoint selection に関する関連研究（要旨では個別名は不明）