失敗前にロボットを修正する：選好学習による能動的ヒューマン・イン・ザ・ループ介入

- 本論文は Proactive Human-in-the-Loop (PHIL) と呼ぶフレームワークを提案する。 - 目的はロボットの policy を事前に修正する proactive な介入と、preference-based な post-training。 - operator が policy 予測の将来 motion を preview し、望ましくない行動の前に介入できる。 - 介入中も policy を問い続け、XR interface で予測 trajectory を実空間に表示する。 - 実世界の 4 つの manipulation task で評価。

- 比較対象は HG-DAgger。 - 5 correction episodes per condition の条件で、diffusion policy の平均 success rate を 44.0% から 70.3% へ向上。 - X-VLA では 57.8% から 76.9% へ向上。 - 成功 episode における不要な recovery behavior が減少する点も示す。 - 事後修正ではなく、失敗前の proactive 介入を可能にする点が特徴。

- operator が policy 予測の将来 motion を preview し、望ましくない行動の前に介入する。 - takeover 中も policy を問い続け、XR interface で予測 trajectory を物理 workspace に表示。 - 拒否された policy 予測と、同じ物理状態・同じ horizon で実行した corrective action chunks を pair にする。 - preference-based post-training により、policy がこれらの correction を好むよう学習。

- 実世界の 4 つの manipulation task で評価。 - diffusion policy と pretrained vision-language-action policy (X-VLA) を使用。 - 各条件 5 correction episodes で HG-DAgger と比較。 - 平均 success rate の向上と、成功 episode での不要な recovery behavior の減少で有効性を検証。

- 要旨からは不明。 - 明示されているのは、proactive correction を受けた policy が成功 episode で不要な recovery behavior を減らす点。 - 限界や失敗事例、operator 負荷などの議論は要旨からは不明。

- HG-DAgger (比較対象の human-in-the-loop 手法)。 - diffusion policy (評価に用いた policy)。 - X-VLA (pretrained vision-language-action policy)。 - preference learning / preference-based post-training 関連の研究。 - extended reality (XR) interface を用いた robot teleoperation / intervention 研究。