実演拡張と実行設計による細粒度マニピュレーションの改善

- 細粒度マニピュレーション向けのフレームワーク DEED（Demonstration Expansion and Execution Design） - pretrained vision-language-action policy を MetaFine の5タスクへ適応させる - 構成要素は「structured demonstration expansion」と「execution design」 - 目的は instruction following、visual variations への robustness、predicted actions の precise robot control への変換 - 公式 Overall score は 85.55%

- 要旨からは不明（比較対象の先行研究が明示されていない） - 特徴として、単一初期シーンから異なる instruction の demonstration を生成する点を挙げている - 同一の physical trajectory を元の states と action targets を保ったまま、異なる camera positions と lighting conditions で render する点を挙げている

- demonstration expansion - 同じ initial scene から異なる instructions 向けの demonstrations を生成 - 各 physical trajectory を異なる camera positions / lighting conditions で render（states と action targets は保持） - supervised adaptation 時の hierarchical sampling strategy - instructions、trajectories、visual conditions のバランスを取る - deployment 時の execution design - predicted action chunks を inverse kinematics で robot commands に変換 - タスクごとに選んだ gripper mappings を使用 - closed-loop replanning を実施

- MetaFine の5タスクで評価 - 公式 Overall score 85.55% を達成 - fixed-policy evaluations により、performance が execution horizon、denoising budget、gripper mapping によって変動することを確認

- fixed-policy evaluations で execution horizon、denoising budget、gripper mapping への依存が示されている - 具体的な議論の内容や限界については要旨からは不明

- 要旨で参照・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 vision-language-action policy、inverse kinematics、closed-loop replanning が挙げられる - 同分野の定番として imitation learning、diffusion policy 系の研究が候補（要旨に記載なし）