STAR：回転拡張ベクトル量子化によって多様なロボット技能の抽象化を学習する

概要: 複雑な行動を離散的なスキルの抽象化へ変換することは、ロボットによる操作において強い可能性を示してきました。既存のアプローチは主に潜在変数モデル、たとえば VQ-VAE を活用して、学習されたベクトル（コードブック）を通じてスキルの抽象化を学習します。しかし、コードブックの崩壊や、学習されたスキル間の因果関係のモデリングに問題があります。これらの制約に対処するために、私たちは
\textbf{S}kill \textbf{T}raining with \textbf{A}ugmented \textbf{R}otation（\textbf{STAR}）という枠組みを提案します。これは、複雑な振る舞いを完遂するために、スキル学習と合成の両方を前進させるものです。具体的には、コードブックの崩壊を防ぐために、回転拡張残差スキル量子化（RaRSQ）を考案します。これにより、エンコーダ出力間の相対角度を、回転ベースの勾配メカニズムによって勾配フローへ符号化します。同一のスキルコード内の点は、勾配方向に応じて、互いに押し広げられるか、互いに引き寄せられるかのいずれかになるよう強制されます。さらに、スキル間の因果関係を捉えるために、因果スキルトランスフォーマ（CST）を提示します。CST は、自己回帰的な機構を通じて、首尾一貫した行動生成のためのスキル表現間の依存関係を明示的にモデル化します。大規模な実験により、LIBERO ベンチマークおよび実環境タスクの両方において、STAR がベースラインを上回ることが示され、改善幅はおよそ 12\% です。