KlaskTron-IL：接触の多い敵対的模倣学習ベンチマークと検証済みsim-to-realブリッジ

- KlaskTron-IL は、2人対戦型の adversarial RL 用 open-hardware 物理プラットフォーム KlaskTron 上に構築された、contact-rich な adversarial imitation learning (IL) のベンチマーク。 - 80k の実機 human demonstration timesteps、320k の symmetry-augmented timesteps、最大 5M steps の synthetic expert trajectories からなる multi-tier IL dataset を提供。 - 標準 IL 手法の failure modes を可視化する diagnostic baselines も含む。 - 学習済み actuator model により zero-shot sim-to-real を狙う構成。

- 既存の IL ベンチマークは contact-rich かつ adversarial な物理相互作用を実機由来データで扱う点が限定的。 - KlaskTron-IL は実機で直接収集した human demonstration と、zero-shot 検証済み PPO policy による synthetic expert を同一インタフェースで提供。 - 同一 policy interface を actuator model が hardware に橋渡しするため、benchmark 上の policy を変更なしで実機実行できる点が特徴。 - 標準 IL 手法の failure modes を診断する baseline を整備。

- open-hardware の KlaskTron プラットフォームと learned actuator model を基盤とする。 - dataset は実機 human demonstration、symmetry augmentation、PPO による synthetic expert の階層で構成。 - policy interface は actuator model が hardware に橋渡しする共通インタフェース。 - actuator model の同定範囲は ±0.2 m/s で、この範囲内の command が zero-shot 実機実行の条件。 - BC、GAIL などの標準 IL baseline を diagnostic に用いる。

- 実機で 80k timesteps の human demonstration を収集。 - PPO policy の zero-shot sim-to-real を検証済みと記述。 - 最強の BC baseline について、actuator model の ±0.2 m/s 同定範囲内の command であれば実機で zero-shot 実行できることを実演。 - GAIL discriminator の Spearman ρ = -1.0 の peg-ball proximity recovery や logit span 0.1 未満といった診断指標を報告。

- BC の data scaling plateau、GAIL の弱勾配 discriminator、asymmetric BC-prior × reward-density interaction という3つの failure modes を指摘。 - zero-shot 実機実行は actuator model の ±0.2 m/s 同定範囲に制約される。 - 範囲外 command の扱いや、他手法への一般化については要旨からは不明。

- KlaskTron の open-hardware プラットフォーム論文と learned actuator model の zero-shot sim-to-real 研究。 - BC (Behavior Cloning) および GAIL (Generative Adversarial Imitation Learning) の原論文。 - PPO (Proximal Policy Optimization) の原論文。 - contact-rich manipulation における imitation learning の sim-to-real 研究。