技術要約：Compliance for Free: Bilateral Teleoperationによる識別可能なインピーダンスの学習

1. 問題提起

Vision-Language-Action (VLA) モデルはロボット操作に革命をもたらしたが、ポーズ（姿勢）目標のみを出力し、相互作用力を調節するために必要なコンプライアンス（剛性）を出力できないため、接触を伴うタスク（例：拭き取り、挿入）において一貫して失敗している。最近のいくつかの研究では、力やコンプライアンスを出力しようと試みているが、それらは手動で指定された相互作用フレーム、特権的なシミュレーションデータ、あるいは学習および推論時の専用の力/トルク（F/T）センサや触覚センサに依存している。

核心的な障害は、標準的なデモンストレーション・インターフェース（例：VRコントローラ、SpaceMouse、一方向性のバイマニュアル・リグ）における根本的な**識別可能性の問題（identifiability problem）**である。これらのインターフェースは、ロボットが実現したポーズ（$x_f$）と、その結果生じる接触力（$f$）のみを記録する。しかし、接触力はオペレーターの意図された平衡ポーズ（$x_{eq}$）と、その剛性（$K$）の積である。数学的には、柔らかいバネを遠くまで引いた場合と、硬いバネをわずかに引いた場合では、同じ力を及ぼす。$x_{eq}$ の独立した測定値がない限り、オペレーターの意図された平衡点と彼らの剛性は混同されてしまう。つまり、ポーズのみのデータではこれらを分離することはできない。したがって、既存のインターフェースは原理的にコンプライアンスの教師信号を提供できないのである。

2. 手法

A. 双方向テレオペレーションによる識別可能性の解決

著者らは、識別可能性の曖昧さを解消するために、**4チャネル双方向テレオペレーション（four-channel bilateral teleoperation）**を使用することを提案している。このセットアップでは、リーダーアーム（人間が制御）とフォロワーアーム（ロボット）が能動的に結合されている。

• 鍵となる洞察: リーダーアームの軌跡（$x_l$）は、オペレーターの意図された平衡点（$x_{eq}$）の独立した物理的測定値として機能する。
• メカニズム: インピーダンス則 $f(t) = K(t)(x_{eq}(t) - x_f(t)) + D(t)\dot{e}(t)$ に $x_{eq} = x_l$ を代入することで、変位誤差 $e(t)$ が直接観測可能になる。これにより、マニピュレータに備わっている関節トルクセンサのみを用いて、$K(t)$ と $D(t)$ を回帰によって特定することができ、外部のF/Tセンサを必要としなくなる。

B. センサレス・レンチ推定

本手法は、手首のF/Tセンサではなく関節トルクセンサに依存しているため、著者らはセンサレス・レンチ推定手順を実装している。

1. 重力補償: 静止ポーズを用いてツールの質量と重心を特定し、測定された関節トルクから重力成分を減算する。
2. バイアス補正: 自由空間でのスイープ動作を用いて、構成（configuration）と速度に依存する残留誤差をRandom Fourier Featuresのバンクを用いてモデリングする。
3. ノイズフロア: 保持された自由空間データから軸ごとのノイズフロア（$\sigma_{f,i}$）を測定し、力の推定値がセンサノイズを上回ることを確認する。

C. コンプライアンス・ラベルの抽出

著者らは、以下の**マスク付き回帰（masked regression）**プロセスを通じて、タイムステップごとの異方性コンプライアンス・ラベルを抽出している。

• 接触フレーム: SVD（特異値分解）を用いて拭き取り軌跡に接触フレームを適合させ、表面法線を定義する。
• ウィンドウ回帰: スライディング300msのウィンドウを用い、正則化された非線形最小二乗法により、軸ごとの剛性（$k$）と減衰（$d$）を解く。
• 識別可能性マスク: 以下の条件を満たす場合にのみ、ラベルを保持するようにバイナリマスクを適用する：
  1. 回帰行列が良好な条件（well-conditioned）であること。
  2. 変位が有意であること。
  3. 力がノイズフロアを超えていること。
  4. システムが接触状態にあること。
     これにより、アノテーションコストゼロで、$(x_{eq}, \log K)$ のペアと有効性マスクが得られる。

D. コンプライアンス出力型VLAポリシー

抽出されたラベルは、事前学習済みのVLA（SmolVLAバックボーン）のファインチューニングに使用される。

• アーキテクチャ: ポリシーは、ビジョン（シーン＋手首カメラ）、言語指示（例：「左側の跡を強く拭いて」）、および力の履歴トークンを入力として受け取る。
• 出力: 未来のポーズ（絶対的な目標ポーズ $x_{eq}$）と剛性目標（$\log K$）を含む、チャンク化されたアクションを出力する。
• 学習: ポーズにはフローマッチングを用い、剛性にはHuber損失を用いる。これらはマスクされた（識別可能な）タイムステップに対してのみ適用される。
• 制御: 低レベルのデカルト座標インピーダンスコントローラが、ポリシーのチャンク化された出力を追従する。安定性と受動性を確保するため、テンポラル・アンサンブルリングとエネルギータンク・ゲーティングを採用している。

3. 主な貢献

1. センサレス抽出手順: 双方向テレオペレーションを用いてポーズのみの識別可能性の曖昧さを解決し、ネイティブの関節トルクセンサのみを使用してタイムステップごとのコンプライアンス・ラベルを抽出する手法。
2. オフライン・ベンチマーク: 抽出されたラベルが学習可能な信号を保持していることを実証。学習された予測器は、軸ごとの一定値予測器と比較して、並進軸の集計RMSEにおいて$1.25\times$優れた性能を示した。
3. 指示条件付きコンプライアンス・ポリシー: これらのラベルで学習されたVLAポリシーは、チャンク化されたインピーダンス目標を正常に追従する。これは、力の「様態（manner）」に関する言語指示（例：「強く」対「通常に」）に応じて、実現された接触力が変化することを示す唯一のポリシーである。

4. 実験結果

本手法は、ホワイトボードの拭き取りタスク（指示は「通常に」または「強く」）を行うFranka Research 3ロボットを用いて評価された。

• 指示条件付け: ポリシーは、指示に基づいて出力剛性を正常に調節できた。
  • 示された剛性: 「強い（Firm）」デモンストレーションは、「通常（Normal）」よりも高い剛性（$146.2$N/m）を示した（「通常」は$127.2$ N/m）。
  • ポリシー出力: ポリシーはこの差を再現した（$141.2$対$116.4$ N/m）。
  • 実現された力: 決定的なことに、実現された接触力は指示に反応した。「強い」指示では$9.12$N RMSの力となったのに対し、「通常」では$6.40$N RMSとなった（$p=0.023$, Cohen's $d=0.89$）。
• ベースライン比較:
  • Fixed-K: 一定の剛性を使用。指示に基づいた剛性の調節に失敗した。
  • Force-In: 力をインプットとして消費するが、ポーズのみを出力。力の調節に失敗した。
  • Hybrid: 剛性を予測するが、別の回帰ヘッドを介しており、指令された剛性が実現された力の変化に結びつかなかった。
  • 提案手法: 実現された接触力が言語指示に対して統計的に反応した唯一のポリシーであった。
• タスク性能: 提案ポリシーは、最も高い成功率（50.0%）と汚れ除去率（40.8%）を達成しつつ、Fixed-Kベースラインと比較して低いピークおよびRMS接触力を維持し、保護停止（Protective Stop）を減少させた（1回 vs 6回）。

5. 意義と主張

本論文は、コンプライアントな操作を学習する上での主要な障壁はモデルのアーキテクチャではなく、デモンストレーション・インターフェースであると主張している。標準的なインターフェースは平衡点と剛性を混同しており、外部ハードウェアやシミュレーションなしではコンプライアンスの教師信号を与えることを不可能にしている。

双方向テレオペレーションを利用することで、著者らは以下のことを実証した：

1. コンプライアンスは「無料で」抽出できる: 学習時および推論時に追加のF/Tセンサや触覚センサを必要としない。リーダーアームが、必要な平衡信号を提供する。
2. コンプライアンスは学習可能なアクションである: VLAは、物理的に実現可能な剛性目標を出力するように学習できる。
3. 指示条件付きの力制御が可能である: システムは、厳格な制約や特権情報に頼ることなく、自然言語（「強く」対「通常に」）に基づいて接触力を調節できる。

著者らは、コンプライアンスを予測するだけでは不十分であり、ポリシーがそれを「追従」する必要があると強調している。彼らのアプローチは、ポーズと剛性を共通のターゲットとしてデコードすることでこれを達成しており、その結果、単にボードを強く押し付けるのではなく、「強く」拭くよう指示された際に、ストロークの経路から外れる動きに対して抵抗するような、真の異方性挙動を実現している。

6. 限界

著者らは以下の限界を認めている：

• 構成依存性: センサレス・レンチ推定には、固定されたヌルスペース姿勢と制約されたワークスペースが必要である。
• 回転インピーダンス: 本件の特定のタスク（拭き取りは回転をほとんど励起しない）においては、回転チャネルの識別が弱い。また、抽出された回転剛性はしばしばコントローラの下限値で飽和する。
• 範囲: エビデンスは単一のタスク（拭き取り）とプラットフォーム（Franka Research 3）に限定されている。
• アブレーションの威力: 力チャネルのアブレーション研究は、ロールアウト予算が小さかったため力が弱く、力入力トークンの因果的役割についてはさらなる調査の余地を残している。