StableIDM：マニピュレータの切り詰めに対して逆ダイナミクスモデルを安定化するための時空間的リファインメント

要旨: 逆ダイナミクスモデル（Inverse Dynamics Models: IDM）は、視覚観測を低レベルのアクション指令へ写像し、身体性のあるAIにおけるデータラベリングとポリシー実行の中核コンポーネントとして機能します。しかし、マニピュレータの切り詰め（truncation）のもとでは性能が深刻に劣化するという問題があり、これは一般的な失敗モードです。このため、状態推定が不適切（ill-posed）となり、不安定な制御につながります。本研究では、部分的な観測可能性のもとでアクション予測を安定化させるために、視覚入力からの特徴を洗練する時空間フレームワークであるStableIDMを提案します。StableIDMは、3つの補完的なコンポーネントを統合します：（1）背景の情報の錯綜を抑制するための、補助的なロボット中心のマスキング、（2）幾何学に配慮した空間推論のためのDirectional Feature Aggregation（DFA）。これは、見えているアームから推定される方向に沿って異方性の特徴を抽出し、（3）運動の連続性を通じて予測を平滑化し、補正するTemporal Dynamics Refinement（TDR）です。広範な評価により、提案手法の有効性を検証しました。StableIDMは、AgiBotベンチマークにおける厳しい切り詰め条件で、厳格なアクション精度を12.1%向上させます。また、実ロボットのリプレイにおいて平均タスク成功率を9.7%向上させます。さらに、動画から生成されたプランをデコードするときのエンドツーエンドの把持成功率を11.5%向上させ、さらに自動アノテータとして機能する場合には、下流のVLAの実ロボット成功を17.6%向上させます。これらの結果は、StableIDMが、身体性のある人工知能におけるポリシー実行とデータ生成の両方に対して、堅牢でスケーラブルなバックボーンを提供することを示しています。