真似できる教師から学ぶ：MetaFineチャレンジ優勝解法

本論文は、CoRL 2026のRoboFineMani workshopで開催されたMetaFine Open CompetitionへのTeam Fridayの解法報告である。 - 競技はbinary successを超えたfine-grained manipulationを評価する。 - 5つのsimulated tasks(指示された部位でのbottle grasping、4 mm clearanceのletter-shaped peg挿入など)を含む。 - 評価軸は照明・カメラ変化下のperception、instruction understanding、behavior。 - 提案手法は総合score 0.947で2位、$\pi_0$ baselineの2倍以上。

大規模vision-language-action (VLA) modelのfine-tuningではなく、タスクごとに19M-parameter policyを別個のinstruction classifierと組み合わせて訓練する点が特徴的。 - データはすべてsimulator内でprivileged scripted teacherが生成し、studentの誤りの修正も含む。 - 失敗episodeの分析から、ほぼ常に成功するteacherでもmemoryless studentには悪い教師になり得ることを指摘。 - teacherをimitableにすることで、最難関のletter insertionのofficial scoreが同一architectureで0.44から0.82(データ32%増)、最終的に0.88へ向上。

手法の肝は大規模VLAのfine-tuningを避け、タスクごとの小規模policyとinstruction classifierを分離して訓練する点。 - 訓練データはsimulator内のprivileged scripted teacherが生成し、studentの誤りに対するcorrectionも含める。 - 失敗episode分析により、teacherのpauseがstallに、固定habitがshortcutになり、student自身のerrorを見せない問題を特定。 - teacherをimitableに改良することで、同一architectureのまま性能を改善。

MetaFine Open Competitionの5つのsimulated tasksで評価。 - 総合score 0.947で2位、$\pi_0$ baselineの2倍以上。 - letter insertion(最難関)のofficial scoreが0.44→0.82(データ32%増、同一architecture)→0.88へ向上。 - 失敗episodeの分析に基づく改善効果を公式scoreで検証。

ほぼ常に成功するteacherがmemoryless studentには悪い教師になり得るという知見を提示。 - teacherのpauseがstallに、固定habitがshortcutになり、studentのerrorを見せない問題を議論。 - demonstration dataと評価に関する実践的教訓をまとめ、precise manipulationのimitation learningに資することを期待。 - 具体的な限界や今後の課題は要旨からは不明。

要旨で参照/比較されている研究として$\pi_0$ baselineが挙げられる。 - 関連手法としてvision-language-action (VLA) model、imitation learning、privileged scripted teacherによるdemonstration生成が挙げられる。 - 同分野の定番としてbehavior cloningやDAggerなどのimitation learning手法、fine-grained manipulationのbenchmarkが次に読む候補。 - 個別の論文名は要旨からは不明。