PICA-WAM: 世界行動モデルにおける外観横断的自己整合による視覚摂動不変性

- World Action Models (WAMs) の視覚摂動ロバスト性を高める自己教師あり学習フレームワーク PICA-WAM の提案。 - WAMs は将来動画予測と行動生成を同時に行うが、タスク無関係な見た目変化(visual perturbation)に敏感。 - 摂動と元観測で一貫した行動表現を要求する仕組みが従来欠けていた点を埋める。 - 4つの WAM に適用し RoboTwin 2.0, LIBERO-Plus, EBench, 実機で評価。

- 従来の WAM 学習では video prediction が appearance 保持を促す一方、action generation は不変性を明示的に強制しないという gap を指摘。 - 単なる data augmentation は摂動/元観測の行動表現一致を要求しない点で不十分と論じる。 - 外部 pretrained features との alignment も所望の不変性を保証しないと指摘。 - 摂動不変性を補助的な cross-appearance self-alignment タスクとして定式化する点が新規。

- 摂動不変性を補助タスク化する自己教師あり学習。 - exponential-moving-average (EMA) teacher が nominal observation を処理し、より深い層の target を提供。 - online WAM は perturbed observation を処理し、その浅い層の action representation を lightweight projection head 経由で target に整列。 - 摂動/元観測間の行動表現一貫性を層間で強制する設計。

- 4つの強い WAM に適用し RoboTwin 2.0, LIBERO-Plus, EBench, 実機で評価。 - 視覚摂動下の robustness が一貫して向上。 - シミュレーションで nominal performance を維持。 - 実機 success rate が向上。 - paired layer-wise diagnostics により video features のタスク無関係 appearance への感度と行動への伝播が低減することを示す。

- video prediction が appearance 保持を促すことと action 不変性の要求が相反しうる点を gap として議論。 - data augmentation や外部 pretrained features の alignment では不変性を保証できないと論じる。 - 層ごとの感度診断で video features から action への摂動伝播を分析。 - 具体的な限界や失敗ケースは要旨からは不明。

- 比較対象として data augmentation ベースの手法、外部 pretrained features との alignment 手法。 - 適用先の WAMs および評価基盤 RoboTwin 2.0, LIBERO-Plus, EBench。 - 関連する EMA teacher を用いる自己教師あり学習(例: BYOL, DINO 系)や video-action 同時学習モデル。