低コストアームで模倣学習ポリシーを比較：12から200デモへのスケーリング

- 低コストロボットアーム SO-101 上で、4つの模倣学習ポリシー（ACT、Diffusion Policy、SmolVLA、$π_{0.5}$）のデータ量スケーリングを比較した実証研究。 - 単一の pick-and-place タスク（distractor objects あり）を対象に、12/25/50/100/200 の入れ子状デモンストレーション部分集合で学習。 - 各ポリシーにつき1つの固定 training recipe を使用。 - 学習済みモデルを物理 SO-101 上で固定配置セットに対し評価（126ブロック、1,340 スコア付きエピソード）。

- 4つの広く使われる模倣学習ポリシーを同一タスク・同一ハードウェア・同一評価プロトコルで直接比較した点。 - データ量を 12〜200 の入れ子部分集合で系統的に変化させ、スケーリング挙動を実測。 - 単なる成功率だけでなく、4段階ラダー（started / reached / carried / delivered）で失敗段階を分解。 - 測定ノイズ（同一 checkpoint の再テスト差）や seed 間変動、人間スコアの監査まで行う点は先行研究と比べて詳細。 - 具体的な先行研究との比較は要旨からは不明。

- 4ポリシー（ACT、Diffusion Policy、SmolVLA、$π_{0.5}$）をそれぞれ固定 training recipe で学習。 - データは 12/25/50/100/200 の nested subsets を使用。 - $π_{0.5}$ では action expert fine-tuning と low-rank adaptation の recipe を比較。 - 評価は物理 SO-101 上で固定 object placements に対し実施。 - 関節・カメラ記録から各エピソードを4段階ラダーに分類。 - 10エピソードブロックの測定弱さ、seed-to-seed variation とノイズの分離、人間スコアの監査を実施。 - training length は recipe 内で固定のため、データ量と反復回数が共変化する交絡を明示。

- 物理 SO-101 上で 126ブロック・1,340 スコア付きエピソードを実行。 - ACT は 12デモで 40中1成功から 100デモで 40中37成功へ上昇。 - $π_{0.5}$（action expert fine-tuned）はデータ希少時に最良（12デモで 40中16、25デモで 40中28）、その後約70%で頭打ち。 - 100デモ以降は ACT が優位（差の原因は本研究では完全には解明されず）。 - SmolVLA と Diffusion Policy は約50%でピーク。SmolVLA は 47% のエピソードでアームが動き出さず、Diffusion Policy はデモから idle lead-in を除くまでほとんど開始しなかった。 - $π_{0.5}$ では low-rank adaptation が 110中4成功、action-expert fine-tuning が 200中130成功。 - 同一 checkpoint の再テスト差は平均 10中2成功。

- training length が recipe 内で固定のため、データ量とデータ閲覧回数が共変化する交絡があり、どの結論がその交絡を生き残るか明示。 - 100デモ以降の ACT 優位の margin は本研究では完全には解明されていない。 - 10エピソードブロックは測定として弱く（同一 checkpoint 再テストで平均 10中2成功の差）、seed-to-seed variation とノイズを分離。 - 人間スコアを記録に対して監査。 - ACT ではデータ増加に伴い失敗が reaching → grasping → none へ移行、$π_{0.5}$ に残る失敗は grasping。

- 要旨で直接参照・比較されている研究は明示されていない。 - 関連手法として ACT、Diffusion Policy、SmolVLA、$π_{0.5}$、low-rank adaptation、action expert fine-tuning が挙げられる。 - 同分野の定番として imitation learning、behavior cloning、vision-language-action モデルに関する文献が次に読む候補。