人間のデモをロボットVLAポリシーへ橋渡しする共同学習フレームワーク

- 事前学習済み Vision-Language-Action (VLA) policy を対象ロボットへ適応させるための human-robot co-training framework「H2RB (Human-To-Robot Bridge)」を提案する研究。 - unpaired な human demonstration と robot demonstration を用い、embodiment gap を橋渡しして VLA を適応させる。 - 目的は、高コストな target-robot 固有 demonstration への依存を減らし、human demonstration をスケーラブルな supervision source として活用すること。

- 従来は target robot 固有の demonstration 収集が不可欠で、human demonstration の直接利用は embodiment gap のため困難だった。 - 特に robot data 中心で pretrain された VLA では human data の活用が難しいという課題があった。 - 提案手法は unpaired な human/robot demonstration からの co-training を可能にし、co-train baseline が human-demonstrated skill の転移に完全に失敗する設定でも転移を実現。 - object transfer を 8.0 から 51.8、out-of-distribution transfer を 6.0 から 45.3 へ改善。

- 2つのインターフェースで embodiment gap を橋渡しする。 - 観測側: geometry-anchored alignment により human と robot の observation を compatible な representation に接地する。 - 行動側: decoupled-decoder tokenizer を導入し、両ドメインを単一の action mapping に押し込めずに action latent を共有する。 - これにより human demonstration からの behavioral supervision を得つつ、pretrained VLA の visual・semantic・control prior を保持する。

- 実世界タスクで評価を実施。 - object transfer 性能が 8.0 から 51.8 へ向上。 - skill transfer で 62.7 を達成し、co-train baseline が human-demonstrated skill の転移に完全に失敗する設定での有効性を示す。 - object-placement shift 下でも out-of-distribution transfer が 6.0 から 45.3 へ改善し、頑健性を確認。

- human demonstration を pretrained robotic policy 適応のスケーラブルな supervision source として位置づけ、target-robot data 収集への依存低減を示唆。 - 実世界タスクでの改善は示されるが、要旨からは失敗事例や限界、計算コスト、他 embodiment への一般化に関する議論は不明。 - unpaired data を用いる設計の詳細な制約や、human/robot データ量比の影響は要旨からは不明。

- 要旨で直接参照/比較されている co-train baseline および pretrained Vision-Language-Action (VLA) policy 関連研究。 - 関連手法として、human demonstration を用いた robot learning（imitation learning / cross-embodiment transfer）や、action tokenizer・action latent 共有を用いる VLA 適応研究。 - 具体的な論文名は要旨からは不明。