技術要約：状態ゲート付きエキスパートによる、ハンドヘルドと遠隔操作の橋渡しを用いた接触豊富な操作

問題提起

本論文は、接触豊富な操作タスクにおけるロボットデータ収集における、スケーラビリティ（拡張性）とフィデリティ（忠実度）の間の根本的なトレードオフに対処している。

• ハンドヘルド・データ（例：UMI）： Universal Manipulation Interface (UMI) のようなシステムは、インターフェースを特定のロボットハードウェアから切り離すことで、スケーラブルで「イン・ザ・ワイルド（実環境）」なデータ収集を可能にする。しかし、これらは観測されたアクション（ハンドヘルドデバイスの物理的な状態）のみを捉える。接触に敏感なフェーズにおいて、これらの観測されたアクションは、有限の剛性、フィルタリング、および追従誤差により、目標とするアクション（コントローラに送られる参照軌跡）から逸脱することが多い。観測された軌跡を高い剛性でナイーブに追従すると、安全でない大きな接触力が発生する。
• 遠隔操作データ： GELLOやALOHAのようなシステムは、目標とするアクションを直接捉えた、高精度なオンロボット・データを提供する。しかし、フルタスクの遠隔操作デモンストレーションを収集することは、非常に時間がかかり、ハンドヘルド収集のような多様性に欠ける。

核心となる問題は、ハンドヘルド・データは誤差に寛容な自由空間の運動には有効であるが、接触に敏感なフェーズにおける動的な実現可能性（ダイナミック・フェジビリティ）を提供できない点にある。逆に、観測されたアクションと目標とするアクションをナイーブに単一のポリシーに混合すると、教師信号が互いに適合しないため、性能が低下する。

手法：BRIDGE

著者らは、両方のデータソースの補完的な強みを活用するように設計された、混合エキスパート拡散ポリシーアーキテクチャであるBRIDGE（Bi-modal Routing for Imitation Data via Gated Experts）を提案している。

1. デュアルモード・データ収集 (DM-UMI)

著者らは、デュアルモード動作が可能な改良型UMIデバイスを利用している：

• ハンドヘルド・モード： 多様な環境における大規模なベース・データセット（観測されたアクション）を収集し、一般的なタスクのスケフォールド（骨組み）を学習する。
• 遠隔操作モード： ベース・ポリシーが失敗する箇所（接触のボトルネック）に特化した、目標とするアクションの疎なサポート・データセットを収集する。

2. アーキテクチャ

BRIDGEモデルは、3つの連続した学習ステージで構成される：

• ステージ1：ベース・ポリシーの学習 ($\pi_b$)： ハンドヘルド・ベース・データセットを用いて拡散ポリシーを学習する。アーキテクチャは、接触豊富なタスクにおける空間的関係をより良く推論するために、CLSトークンだけでなく、全空間パッチトークンを保持（Perceiver IOブロックを介して処理）するDINOv2ビジョンエンコーダを使用する。このポリシーは、観測されたアクションを予測することを学習する。
• ステージ2：サポート・ヘッドの学習 ($\pi_s$)： ベース・ポリシーとビジョンエンコーダを凍結した状態で、遠隔操作サポート・データセットを用いて新しい潜在アダプタと拡散ヘッドを学習する。このエキスパートは、特に接触に敏感なレジームにおいて、目標とするアクション（参照軌跡）を予測することを学習する。
• ステージ3：ルーターの学習 ($G_\psi$)： 軽量なMLPゲートを、観測値をベース・エキスパートまたはサポート・エキスパートのいずれかに動的にルーティングするように学習させる。ルーターは、潜在表現上でのk-近傍法（k-NN）疑似ラベル戦略を用いて学習される。ルーターは、現在の状態が「サポート多様体」（接触に敏感なフェーズ）内に存在するかどうかを識別し、目標アクションのエキスパートへと切り替えることを学習する。

3. 推論

実行中、ルーターは現在のロボットの状態に基づいてハードスイッチを行う。現在の状態が接触に敏感なフェーズに属すると識別された場合、システムは目標とするアクションを実行するためにサポート・エキスパートへとルーティングする。それ以外の場合は、自由空間の運動のためにベース・エキスパートを使用する。これにより、互換性のないアクション分布の平均化を回避する。

主な貢献

1. アクションの妥当性の定式化： 本論文は、観測されたアクションは誤差に寛容な自由空間の運動には十分であるが、精密かつコンプライアントな実行が必要な力に敏感なフェーズでは、目標とするアクションが必要であることを示している。
2. BRIDGEアーキテクチャ： ローカルなアクションの妥当性に基づいてルーティングを行うことで、異種混合の教師ソース（観測されたアクション vs 目標とするアクション）から共同で学習する、ゲート付き混合エキスパート拡散ポリシーを導入した。
3. 効率的なハイブリッド戦略： ターゲットを絞ったサポート・データを用いることで、フルタスクの遠隔操作を行うコストをかけずに、接触豊富なタスクにおける成功率を大幅に向上させ、スケーラブルなハンドヘルド・データの強みを強化できるという経験的証拠を示した。

実験結果

本手法は、Franka FR3アームを用いた3つの接触豊富な操作タスク（NIST Pulley Routing、Pipe Insertion、Spring-Loaded Battery Insertion）で評価された。

• 性能向上： BRIDGEは一貫してハンドヘルドのみのベースラインを上回り、3つのタスク全体で最大**36.7%**の成功率向上を実現した。
  • NIST Pulley: ハンドヘルドの44.0%からBRIDGEの76.0%へと向上し、フル遠隔操作の84.0%に接近した。
  • Pipe Insertion: ハンドヘルドの13.3%からBRIDGEの50.0%へと向上し、フル遠隔操作の上限である63.3%との差を縮めた。
  • Battery Insertion: ハンドヘルドの10.0%からBRIDGEの33.3%へと向上した。
• ナイーブな混合の失敗： 単一のポリシー内で観測されたラベルと目標とするラベルを単純に組み合わせた「Naive Mix」ベースラインは、ハンドヘルドのみのベースラインよりも性能が悪化し（例：Pulley Routingでは成功率0%）、ゲートなしでは教師信号が不適合であることを裏付けた。
• データ効率： ターゲットを絞ったサポート・データは、空間距離においてエンドエフェクタの経路長の15%未満をカバーしているにもかかわらず、フル遠隔操作の上限に対する性能ギャップの最大**79%**を回復させた。
• ルーターの性能： ルーターは、Pipe Insertionタスクにおいて99.0%の再現率（Recall）と69.0%の適合率（Precision）を達成し、偽陰性を出すことなく接触フェーズを効果的に識別した。

意義と主張

本論文は、BRIDGEがタスクフェーズ間でロボットの振る舞いを専門化するための実用的なメカニズムを提供すると主張している。観測されたアクションと目標とするアクションのヘッドを分離することで、このアプローチは、一般的なタスク構造を学習するためにスケーラブルで低コストなハンドヘルド・データを使用しつつ、接触力学が精密な制御を必要とする特定のボトルネックに対してのみ、高価で高精度な遠隔操作を予約することを可能にする。

著者らは、このアプローチがハンドヘルドでのデータ収集とオンロボットでの実行の間の「エンボディメント・ギャップ（身体性の乖離）」を埋めるものであると強調している。彼らは、フル遠隔操作が依然としてドメイン内の上限であるものの、認知および物理的な負担により、それが実用的ではないことが多いと指摘している。BRIDGEは、中間的な選択肢を提供し、フル遠隔操作と比較してデータ収集の労力を大幅に削減しながら、接触豊富な操作における高い性能を実現し、かつナイーブなデータ混合に伴う性能低下を回避するものである。

論文は、現在の手法が失敗モードの経験的な特定に依存していること、ハードスイッチングが制御の不連続性を引き起こす可能性があること、および複数の接触レジームを持つ長期間のタスクへのスケーラビリティにはさらなる調査が必要であることを認め、限界についても控えめに述べている。