DreamVLA：生成された人間動作からヒューマノイドの視覚-言語-行動ポリシーへ

- ヒトの生成モーション軌道を活用し、simulation での RL を経て humanoid の VLA policy を学習する手法 DreamVLA の提案。 - 新たな teleoperation データなしで、生成軌道を信頼できるタスク実行軌道へ変換し VLA を訓練する枠組み。 - 対象タスクは platform からの picking、drawer を開ける、button を押す、歩行して platform から picking。

- 従来の VLA 訓練は大規模な robot demonstration データに依存し、特に whole-body humanoid では teleoperation が高コストなボトルネックだった。 - simulation の RL はデータ拡張の代替だが、タスク固有 reward の設計が困難という課題があった。 - DreamVLA は生成モーション軌道で RL を導くことで、新規タスク固有の teleoperation データなしに VLA を訓練可能にする点が異なる。

- 生成された motion trajectory を reference として simulation の RL を誘導し、タスク実行軌道へ変換する。 - 中核は reference-conditioned DAgger distillation：learner rollout の失敗後、サンプルした learner state から同一 reference suffix で RL expert を再起動し、成功した corrective trajectory を集約する。 - これにより offline imitation が残す distribution shift に対処する。

- platform からの picking、drawer を開ける、button を押す、歩行して platform から picking の4タスクで評価。 - DAgger iterations、residual RL、生成データセット規模の ablation を実施。 - 具体的な成功率や比較数値は要旨からは不明。

- offline imitation 後の distribution shift を DAgger 型の corrective trajectory 集約で緩和する点を議論。 - DAgger iterations、residual RL、生成データセット規模の影響を ablation で検討。 - 限界や失敗事例の詳細は要旨からは不明。

- DAgger（Dataset Aggregation）およびその distillation variants。 - residual RL。 - simulation における RL expert を用いた VLA 訓練の関連研究（具体名は要旨からは不明）。 - humanoid の whole-body VLA に関する定番研究。