検索ガイダンスによるゼロショットVLA適応

- 大規模な実演データセットで事前学習した VLA モデルを、新しい target domain に zero-shot 適応させる手法 RAGu の提案。 - 対象は camera viewpoint・background・object identity・robot morphology などの小さな domain shift でも性能が落ちる問題。 - Retrieval-Augmented Generation (RAG) に着想を得て、domain-mismatched な in-the-wild 実演データセット（例: DROID）から検索した軌道で VLA の挙動を誘導する。 - 実世界・simulation・sim-to-real・cross-embodiment humanoid manipulation で評価。

- 従来の VLA は学習データに対する小さな domain shift でも苦戦するのに対し、retrieval で target domain の挙動を補助する点が新しい。 - RAG をロボティクスへ適用する際の課題（domain 間の幾何的差異、候補選択、base model の再学習や context window 拡張の制約）に対処している。 - base VLA の再学習や context window 拡張をせずに誘導する点が、関連する baseline との違いとして示唆される。 - 実世界で成功率 20%→80% と報告。

- 幾何的 calibration により source demonstration を target setup へ変換し、cross-domain 差を低減。 - coarse-to-fine retrieval 戦略で、事前に warp した多数の候補から base VLA と最も整合する trajectory を選択。 - base model の再学習や限られた context window の拡張ではなく、VLA の flow-matching inference 手続きを guidance する。

- 実世界、simulation、sim-to-real transfer、cross-embodiment humanoid manipulation の各設定で RAGu を評価。 - 実世界の VLA 成功率が 20% から 80% へ改善。 - sim において最も関連の近い baseline を上回る結果。

- 要旨からは不明（具体的な限界・失敗事例・計算コスト・retrieval データ依存性などの議論は記述されていない）。 - 評価設定の詳細や baseline の内訳も要旨からは不明。

- Retrieval-Augmented Generation (RAG) - DROID（in-the-wild demonstration dataset） - flow-matching に基づく VLA（base VLA として言及） - 比較対象の closest-related baselines（個別名は要旨からは不明）