運動学的仮説コンテキスト：帯域制限されたロボット方策アップリンクのための身体性条件付き学習ビデオ符号化

- 遠隔サーバ上で大規模 vision-language-action policy を動かすロボットのカメラ uplink を対象にした、学習型ビデオ符号化の新しい条件付け信号『kinematic hypothesis context』の提案。 - ロボットの joint states・robot model・camera calibration から両端で構築できる zero-rate の条件信号であり、受信側が予測可能な『ロボット自身の動き』にビットを割かないようにする。 - 前フレーム再構成を複数の hypothesis に warp し、learned video codec の条件付けに用いる枠組み。

- 既存 video codec は受信側が予測できるロボット運動にビットを費やしてしまう点を問題視。 - history のみ・global pose のみの条件付けでは、大きな動きの下で limited receptive field のため当該情報に到達できないことを理論的に示す。 - LIBERO で capacity-matched な history-conditioned codec 比 23.9%、x264・x265・SVT-AV1 比 40-56% の bit rate 削減。 - 等しい policy action deviation で DCVC-RT より 23.2% 少ないビット、低レート訓練では PSNR で DCVC-RT に匹敵。

- kinematic hypothesis context は joint states・robot model・camera calibration から両端で構築する zero-rate 条件信号。 - 構成要素は ego-motion homographies、per-link robot reprojections、end-effector plane、background memory。 - これらで前回再構成を複数の hypothesis に warp し、learned video codec を条件付ける。 - 大きな動き下での history-only/global-pose 条件付けの限界を理論的に証明し、coding gains が policy の success cliff において task gains になることを示す。

- LIBERO での評価。capacity-matched history-conditioned codec 比 23.9%、x264・x265・SVT-AV1 比 40-56% の bit rate 削減。 - 等 policy action deviation で DCVC-RT 比 23.2% 少ビット、低レート訓練で PSNR は DCVC-RT に匹敵。 - closed loop 等レートで OpenVLA-OFT 成功率が 6 kbps で 22.8%→43.1%（低レート訓練で 72.6%、DCVC-RT 比 +23.6 ポイント）、pi_0.5 が 55.5%→77.4%。 - packet loss 下で利得が増大、3 つの codec host と実ロボットデータへ転移することも確認。

- 大きな動きの下で history-only/global-pose 条件付けが limited receptive field により情報に到達できないという理論的議論を提示。 - coding gains が policy の success cliff で task gains に変わる点を議論。 - packet loss 下で利得が増えること、codec host 間・実ロボットデータへの転移性を議論。 - 具体的な限界や失敗事例の詳細は要旨からは不明。

- DCVC-RT（比較対象の learned video codec）。 - x264、x265、SVT-AV1（従来型 codec ベースライン）。 - OpenVLA-OFT、pi_0.5（評価に用いた vision-language-action policy）。 - LIBERO（評価データセット）。 - history-conditioned learned video codec（capacity-matched 比較対象）。