遠隔操作から長期的な器用さへ：視覚運動スキルとオフライン指標による器用な操作の評価

- 五本指ロボットハンドによる RJ45 connector の grasping と insertion を対象に、imitation learning の実世界性能を決める設計選択を大規模に評価した研究。 - 7 policy families にまたがる 281 policies を、約 1,700 回の real-robot trials で検証。 - 目的は validation loss など従来の最適化信号と実機成功の乖離を埋めること。

- 従来は validation loss などの offline 信号が実機成功と一貫して対応しないことが問題だった。 - 本研究は 281 policies・約 1,700 trials という大規模な real-robot 評価で設計選択を体系的に比較。 - optimizer や sampling よりも observation/action representation が支配的だと示した点が新しい。

- 五本指ハンドで RJ45 connector の grasping/insertion を行う imitation learning policies を controlled ablations で比較。 - point-cloud policies では region-of-interest cropping、robot-base frame 表現、point encoder 内 normalization が重要。 - vision-language-action policy では relative ではなく absolute action prediction が insertion 成功を改善。 - skill decomposition、multi-view perception、recovery demonstrations も高性能系と関連。

- 約 1,700 回の real-robot trials で 281 policies を評価。 - point-cloud policies の上記3設計で成功が 70-100 percentage points 改善。 - VLA policy の absolute action prediction で insertion 成功が最大 70 percentage points 改善。 - 67 offline metrics 中、predicted-motion の smoothness/directness の5指標のみが insertion 成功と r = -0.70 から -0.80 で相関（単一 policy family 内）。

- representation choices が real-world imitation-learning 性能の主要決定因子。 - offline metrics は policy の shortlist には使えるが real-robot evaluation の代替にはならない。 - skill decomposition 等の効果は独立には分離されておらず、因果は要旨からは不明。 - offline 相関は単一 policy family に限られ、汎用性には議論の余地。

- 要旨で参照/比較されている imitation learning、vision-language-action policy、point-cloud policy 関連の研究。 - offline metrics と real-robot 性能の関係を扱う評価研究。 - skill decomposition や recovery demonstrations を用いた long-horizon dexterous manipulation の研究。