接触の多いマニピュレーションにおけるEnd-to-End模倣学習のための触覚基盤モデル評価

- 本研究は、contact-rich manipulation における end-to-end imitation learning に対して、複数の tactile foundation models (TFMs) を Diffusion Policy に統合し、その有効性を体系的に評価する実証研究である。 - 大規模 tactile dataset で pretraining された汎用 tactile representation を、下流の imitation learning でどう活用すべきかを探る。 - 実世界と simulation の両環境で多様な manipulation task を対象に、5,000 回以上の real-world policy rollouts を含む大規模評価を実施。 - 結論として、TFMs を end-to-end imitation learning に用いる際の経験的知見を提供する。

- 先行研究では複数の TFMs が大規模 tactile dataset の pretraining により汎用 tactile representation を学習する形で提案されてきた。 - しかし、そうした pretrained tactile representation を end-to-end imitation learning でどう活用するかは十分に検討されていなかった。 - 本研究は複数 TFMs を Diffusion Policy に統合し、共通の実験設定下で体系的に比較評価する点が新しい。 - さらに encoder fine-tuning や task-specific mid-training といった adaptation strategy まで検討対象に含めている。

- 核となる手法は、複数の TFMs を Diffusion Policy に組み込み、contact-rich manipulation の end-to-end imitation learning に適用すること。 - 比較のため、共通の実験設定下で複数 TFMs を系統的に評価する枠組みを構築。 - adaptation strategy として encoder fine-tuning と task-specific mid-training を検討し、pretrained tactile representation の下流での活用法を分析。 - 実世界と simulation の両方で多様な manipulation task を対象に評価する設計。

- 実世界と simulation の両環境において、多様な manipulation task で広範な評価を実施。 - 実世界では 5,000 回を超える real-world policy rollouts を含む大規模な検証を行った。 - 複数 TFMs の統合効果と、encoder fine-tuning・task-specific mid-training などの adaptation strategy の影響を比較検証。 - これらの評価を通じて、TFMs 利用に関する経験的知見を導出した。

- 本研究は、pretrained tactile representation を end-to-end imitation learning にどう活用すべきかという未十分に探求されていなかった問いに対し、経験的知見を与える。 - encoder fine-tuning と task-specific mid-training の比較から、下流タスクへの適応方針に関する示唆が得られる。 - 実世界 5,000 回超の rollouts を含む大規模評価に基づく議論を提供。 - 具体的な限界や個別タスクごとの詳細な議論は要旨からは不明。

- 本研究で統合・比較対象となった複数の tactile foundation models (TFMs) の原論文。 - Diffusion Policy の原論文。 - encoder fine-tuning や task-specific mid-training といった adaptation strategy に関する関連研究。 - contact-rich manipulation における tactile sensing を用いた imitation learning の関連研究。