リストカメラVLAポリシーの精密リーチングのためのロボット整合3Dガウシアンスプラッティング

- 電子廃棄物(e-waste)分解のような、密集した視覚的に類似した部品環境でのpre-contact reaching(接触前の到達)を対象とした研究。 - wrist-camera(手首カメラ)のみを用いるVLA(vision-language-action)ポリシーのための、3D Gaussian Splatting(3DGS)ベースのデータ生成パイプラインを提案。 - 実ワークスペースを3DGSで再構成し、robot-aligned posesから多様なwrist-camera観測をレンダリングして、滑らかで構造化されたreaching軌道とペアにする。 - instruction-conditioned reach verifierを追加し、物理的相互作用前の信頼できる終了判定を実現。

- 従来のVLA学習はロボットデータ収集がボトルネックで、正確なend-effector位置決めとcamera-action alignmentが難しい。 - e-waste分解では部品が薄い・反射する・機械的に複雑なため、full digital-twin simulationでの正確なobject-level meshやcontact modelの取得が困難。 - 提案法はteleoperationに頼らず、3DGS再構成とレンダリングでrobot-alignedなvisual-action supervisionを生成。 - 実験では1,500生成軌道が80.0%のprecise-reaching成功を達成し、150のteleoperated demonstrationsの58.7%を上回り、能動的人間キャプチャは10分未満で済む。

- 実ワークスペースを3DGSで再構成し、robot-aligned posesから多様なwrist-camera観測をレンダリング。 - レンダリング観測を滑らかで構造化されたreaching軌道とペアにし、VLA fine-tuning用のrobot-aligned visual-action supervisionを生成。 - VLAポリシーにinstruction-conditioned reach verifierを追加し、target proximityを推定して物理的相互作用前の終了を判定。 - 外部side-view cameraを使わず、wrist-camera観測のみでreachingを実現。

- motherboard disassembly(マザーボード分解)の実験で検証。 - $\pi$0.5を用い、1,500生成軌道で3ターゲットにわたり80.0%のprecise-reaching成功を達成。 - 比較として150のteleoperated demonstrationsでは58.7%の成功率。 - 能動的人間キャプチャは10分未満で、外部side-view cameraなしのwrist-camera観測のみで精密reachingを実現したと報告。

- 提案法はteleoperationより少ない人間キャプチャで高いprecise-reaching成功率を示すが、対象はpre-contact reachingに限定され、物理的接触や分解動作自体の評価は要旨からは不明。 - full digital-twin simulationの困難さ(薄い・反射・複雑な部品)を3DGS再構成で回避する点が議論の中心。 - instruction-conditioned reach verifierの汎化性や、他タスク・他ロボットへの適用可能性は要旨からは不明。 - 3ターゲット・単一環境(motherboard disassembly)での評価であり、より多様な環境での検証は要旨からは不明。

- $\pi$0.5(本研究で使用されたVLAポリシー)の原論文。 - 3D Gaussian Splatting(3DGS)の原論文。 - VLAポリシー学習のためのデータ生成・sim-to-real関連研究(一般名: VLA data generation, sim-to-real transfer)。 - teleoperationベースのデモンストレーション収集と比較したロボット学習データ効率化研究(一般名: robot demonstration efficiency)。 - e-waste disassemblyや精密組立タスク向けロボット学習研究(一般名: robotic disassembly, precision assembly)。