卓上から歩行ロボットへ：脚式マニピュレータへのVLAモデル実装

- 本研究は、Vision-language-action (VLA) モデルを脚式マニピュレータロボットへ実機展開する際の実践的課題を扱う。 - 具体的には Unitree Go2 に AgileX Piper arm を搭載した系で closed-loop loco-manipulation を実現する。 - 対象タスクは pick-and-place であり、data collection・model adaptation・inference design の各段階の設計選択を検討する。

- VLA モデルの適応レシピは固定ベースのアームで最も成熟しており、静的 base dynamics と一貫した reference frame が前提だった。 - 本研究は同じアームを quadruped に搭載し、workspace を床全体へ拡張する embodiment change を扱う点が異なる。 - アーム単体ではなく base navigation・body posture・end-effector motion を jointly に coordinate する必要がある点を強調する。

- 実機展開を可能にした選択として model variant、action horizon、demonstration conventions を報告する。 - pick-and-place タスクに特化した検討を行い、data coverage と model capacity を切り分けて評価する。 - 実ロボットでの closed-loop 実験を通じて、dataset composition が成功・失敗をどう形作るかを分析する。

- demonstration coverage を拡張すると held-out end-effector error が 30% 減少することを示す。 - pushing rather than grasping のような secondary skills を加えると、baseline performance を劣化させずに新しい behavioral modes が導入されることを示す。 - closed-loop real-world experiments により、dataset composition が success と failure を形作ることを検証する。

- data coverage と model capacity を分けて検討しており、性能向上の要因分解を議論している。 - secondary skills の追加が新規 behavioral modes をもたらしつつ baseline を損なわない点を議論する。 - dataset composition が closed-loop の成功・失敗に与える影響を議論する。 - 具体的な限界や失敗事例の詳細は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として Vision-language-action (VLA) モデル、fixed-base arm への fine-tuning 研究、quadruped 搭載アームの loco-manipulation 研究を次に読む候補として挙げる。 - Unitree Go2 や AgileX Piper arm を用いた実機研究も関連する。