技術要約：デカップルド・エントロピック・ジオメトリック・プランニング (DEGP)

問題提起

ロボットの知覚と制御は、学習された表現に対して相反する要求を課す。産業環境に配用されるビジョン・バックボーンには、ドメインシフトを生き抜くための高エントロピーかつ過完備な特徴量が必要とされる（これは自己教師あり学習によって達成されることが多い）。一方で、勾配ベースのプランナーには、学習されたダイナミクスモデルを通じて長期ホライゾンにわたって条件数が爆発することなくバックプロパゲーションを行うために、厳密に条件付けられた幾何学構造が求められる。これら両方を単一のネットワーク内で訓練することは、根本的な緊張関係を生み出す：幾何学的ペナルティは表現を歪ませ、表現の自由度はプランナーのコンディショニングを不安定にする。これは経験的に、表現の崩壊、あるいはプランニングの失敗として現れる。

手法：デカップルド・エントロピック・ジオメトリック・プランニング (DEGP)

DEGPは、妥協ではなく厳格なアーキテクチャのデカップリングを通じてこの緊張に対処する。本フレームワークは、システムを以下の3つの明確なコンポーネントに分離する：

1. エントロピック・エンコーダ ($f_\theta$): 分散共分散損失（式1）のみを用いた「ブラインド・パーセプション」目的関数を用いて訓練される。これは、崩壊を防ぐために球状の共分散を強制するが、再構成、予測、または不変性の項は含まない。その結果、情報は保持するが、ダイナミクスに関連する構造（例：接触）のために情報を整理することはない。
2. ジオメトリック・プレディクタ ($g_\phi$): エンコーダから切り離された潜在変数（エンコーダからのストップグラディエント）を用いて、「シャープ・コントロール」目的関数で訓練される。これは、恒等写像に近い初期値を持つ残差パラメータ化（$g(z, a) = z + f(z, a)$）を利用し、ヤコビアン・ペナルティ（$\lambda_2$）を組み合わせて $\|J_g - I\|_F \approx 0$ を強制する。これにより、プレディクタが局所的に線形であり、良好なコンディションを維持することを保証する。
3. 非対称プランナー: 非対称な準距離コストを最適化する。コスト関数は、非対称性を生み出すためのReLU差分投影と、安定性を保証し、コスト勾配が消失する「ブラインド・コーン」への進入を防ぐための $\mu$-リーシュ項（$\mu \|z_T - z_{goal}\|^2$）を含む。

ランタイム・コントラクト: 本システムは、事前配備ゲート（条件数 $\kappa$、スペクトル境界 $\epsilon$、潜在変数のスケールのチェック）、継続的なコンディショニング・バジェットの監視、およびウォッチドッグ／フォールバック・メカニズムを含む、テレメトリベースのランタイム・コントラクトを採用している。

主要な貢献

1. アーキテクチャと理論

• デカップルド・スタック: エンコーダ（分散保持型）とプレディクタ（幾何学強制型）を、ストップグラディエントによる隔離を伴って形式的に分離。
• コンディショニング定理:
  • 定理 1: $\|J_g - I\|_F \le \epsilon < 1$ という条件下において、展開された状態ヤコビアンの条件数は、潜在次元 $K$ に依存せず $(\frac{1+\epsilon}{1-\epsilon})^{2T}$ によって抑えられることを証明する。
  • 系 2: $\epsilon \cdot T$ バジェットを確立し、プランニングの安定性は、スペクトル境界とホライゾンの積が閾値（例：$\epsilon \cdot T \lesssim 0.5$）を下回る場合にのみ維持されることを示す。
  • 定理 2: $\mu$-リーシュが唯一のグローバル最小値と誤差の幾何学的収縮を保証し、定義されたリーシュ・ボールの外側での停留点を防ぐことを証明する。

2. 計測されたコンディショニングと検証

• 統計的平坦性: 実験結果は、条件数 $\kappa$ が潜在次元 $K \in \{64, 128, 256\}$ 全体で統計的に平坦であることを確認している（30組のペア・シードを用いたTOST等価性テストにより検証）。これに対し、非デカップル型のベースラインは指数関数的な増大を示す。
• 実行可能検証スイート: 12項目のチェック・コマンドライン・スイートにより、すべての理論的結果をパス/フェイル・テストにマッピングし、グラディエントの隔離、リーシュの幾何学、およびヤコビアンの境界を、文書化された入力と許容誤差とともに検証する。

3. 属性付けられた配備境界（負の結果）

本論文は、すべての成功仮説が棄却された（全条件において成功 0/50）Push-T環境における、事前登録された配備研究を報告している。

• アトリビューション・バッテリー: 18項目の診断バッテリーにより、失敗の原因を特定した。
• 知見: 失敗は2つのコンポーネント間のギャップに起因するとされた：
  1. 接触条件付き予測ギャップ: 自己教師あり潜在変数（式1）は接触情報（プローブにより $R^2 \approx 0.65-0.70$ でデコード可能）を保持しているが、学習されたプレディクタはこの情報を選択的に活用できていない（選択比率 $\approx 1.0$ であり、接触盲であることを示す）。
  2. プローブ・デコードされたコストの限界: オラクル・ダイナミクスを用いた場合でも、線形プローブでデコードされたコストが動きを抑制しており、コストの定式化自体が制限要因であることを示唆している。
• 非拘束要因: プランナーのファミリーや次数、知覚入力、およびコンディショニング・リーシュは、このレジームにおける結合的な失敗要因ではなかった。

結果の要約

• ステージ 1 (合成/認証): 認証されたプレディクタは、次元不変のコンディショニングを示し、$\epsilon \cdot T$ バジェットを満たしている。合成ダイナミクスにおける勾配ベースのプランニングは2イテレーションで収束する一方、サンプリング・プランナー（CEM）は高次元において「次元の壁」に直面し失敗する。
• ステージ 2 (実画像/転移): 実画像（MimicGen）に適用した場合、「凍結エンコーダ + DEGPプレディクタ」の構成は、モジュラリティとコンディショニングの「配備可能なコーナー」を占めるが、$\epsilon \cdot T$ バジェットのガイドラインをわずかに超過する（$0.54$対$0.5$）。
• ステージ 3 (配備/属性付け):
  • 成功率: テストされたすべての条件（CEM, PGD, さまざまなコスト・バリアント、および各種モデル）において、Push-T環境での成功率は 0/50 であった。
  • 移動量: T-ブロックの移動は無視できる程度であった（0.0–1.1 px）。
  • モデルの軌跡: プレディクタの反復（v1 から v4）により、接触捕捉比率は向上した（過小予測から過剰増幅へ）が、選択性の獲得には至らなかった（接触盲が持続した）。
  • コントロール: リーシュの除去（B1b）はコンディショニング・バジェットを違反したが、配備結果（成功 0/10）に変化はなかった。これは、コンディショニングの認証自体が、このレジームにおけるタスク能力を保証するものではないことを裏付けている。

意義と主張

本論文は、その貢献をタスク成功のデモンストレーションではなく、方法論的および診断的なものとして位置づけている。

• 検証されたコンディショニング: DEGPは、コンディショニングの主張を明示的に述べ、実行可能なチェックを通じて検証し、実行時に監視できるフレームワークを提供する。
• 計測された境界: 主な貢献は、実験的にマッピングされた配備境界である。本研究は、構造的なデカップリングと幾何学的コンディショニングだけでは、「表現の中に存在する情報」と「ダイナミクス・プレディクタが使用する情報」の間のギャップを埋めるには不十分であることを示している。
• データとしての負の結果: 本論文は、0/50 の失敗率を単なる欠落としてではなく、事前登録された診断バッテリーを用いて、接触条件付きの予測エラーとコスト信号の相互作用に失敗を局在化させた、計測されたデータとして扱っている。
• 未解決の問い: 非対称メトリックの必要性と、コンディショニング認証の配備における必要性は依然として未解決である。本論文は、高エントロピーな潜在変数上で、デコード可能な接触情報をプレディクタが学習できるようにするための目的関数の開発が、次の技術的課題であると特定している。

結論として、DEGPは勾配の干渉を分離し、幾何学的特性を保証することには成功しているが、接触の多い操作のためにそれらの特性を活用するダイナミクスを学習するという問題まで自動的に解決するものではない。