ビデオから制御へ：時間的視覚データに基づく学習型マニピュレーション・インタフェースに関する調査

\emph{インターフェース中心のタクソノミー}を導入する。これは、映像から制御インターフェースがどこで構築されるのか、そしてそれがどのような制御特性を可能にするのかによって整理され、3つの系統を特定する。すなわち、インターフェースを暗黙のまま保つ「直接的な映像—行動ポリシー」、時間的構造をコンパクトに学習された中間表現を介して通す「潜在行動（ラテント・アクション）手法」、そして下流の制御のために解釈可能な目標を予測する「明示的な視覚インターフェース」である。各系統について、制御の統合特性を分析する――ループはどのように閉じられるのか、実行前に何が検証可能か、そして失敗はどこで入り込むのか。系統を横断した統合から、最も差し迫った未解決課題が、
\emph{ロボティクス統合レイヤー}にあることが明らかになる。すなわち、映像由来の予測を確実なロボット挙動へと結び付ける仕組みであり、このギャップを埋めるための研究の方向性を概説する。