ALIGN: アドバンテージ条件付き行動クローニングにおける条件推定と表現の整合

- 本論文は ALIGN と名付けた、vision-language-action ポリシー向けの condition-aligned な Advantage-Conditioned Behavior Cloning (AC-BC) フレームワークを提案する。 - 人間が収集したロボット操作データには成功行動に加え retry・pause・recovery・failure が混在する点に着目し、その混合品質データから頑健なポリシーを抽出することを狙う。 - 対象タスクは実ロボットでの ARX X5 による bowl stacking と Franka による key hanging。

- 既存 AC-BC パイプラインは、estimator 由来の advantage score を閾値処理して条件に変換するため条件が noisy になり、また条件を prompt 経由で渡すため action vector field への影響が弱いという問題があった。 - ALIGN は条件を推定から行動予測まで一貫して整合させる点が新規。 - 閉ループ成功率は 90.0% / 56.7% で、最強の AC-BC baseline の 56.7% / 33.3% を上回った。

- ポリシーが扱うラベル空間において categorical pairwise condition を直接予測する。 - その条件を DiT action expert に AdaRMS modulation として注入し、flow time と融合させる。 - これにより条件信号が action vector field の予測に実効的に反映される設計となっている。

- 意図的に混合品質にした実ロボットデータセット(標準デモと retry の多い軌跡の組み合わせ)で評価。 - ARX X5 の bowl stacking と Franka の key hanging の2タスクで検証。 - condition fidelity の向上、conditional vector-field separability の強化、閉ループ成功率の改善(90.0% / 56.7% 対 baseline 56.7% / 33.3%)を報告。

- 成功・recovery・error が共存するデータから頑健な操作ポリシーを抽出するには、条件を推定から行動予測まで align することが有効だと結論づけている。 - 具体的な限界や失敗事例、計算コストなどの議論は要旨からは不明。

- 比較対象の最強 AC-BC baseline に関する論文。 - Advantage-Conditioned Behavior Cloning (AC-BC) の代表的研究。 - vision-language-action ポリシーおよび DiT action expert、AdaRMS modulation、flow matching 系の関連研究。