CoachSI による RoboCasa365 での OpenWAM の事後学習
イリノイ大学シカゴ校は、タスクの初期状態から OpenWAM を実行し、凍結した Qwen3.8-27B で行動チャンクごとに指示を選んだ。成功軌跡に元のタスク指示を付け直して微調整した。データ収集と評価では別のキッチン場面を用い、評価にはタスク指示だけを与えた。
今回の発表
長期タスク18件を未見の20場面で各3回、計1,080エピソード評価。支援なしの成功率は47.4%から、収集時の画像のみのコーチで56.8%、シミュレータ状態を使うコーチで59.3%に上昇した。3,000ステップ、バッチサイズ16、人の実演80%と比較用データ20%で、動画バックボーンの自己注意のみを更新し、行動バックボーンは凍結した。OpenWAM の単一スキル成功率は79.2%。 人の追加実演と自己収集の成功軌跡を使った比較条件の成功率はそれぞれ49.4%、51.9%だった。学習データの可変部分20%は各タスク530サンプルとし、追加実演、自己収集の成功軌跡、コーチ付きの成功軌跡を条件別に使った。画像のみのコーチには3視点のカメラ画像を入力した。 正解の次手順を提示した場合、320ステップ以内のサブゴール達成率は元の指示の4.2倍だった。 2種類の基盤方策で計15タスク、500の停滞状態を比較した。320ステップにわたりサブゴールが進まない場合を停滞とし、状態を復元して指示源ごとにシードをそろえて6回ずつ再開した。サブゴール達成は320ステップ以内、タスク成功は640ステップ以内で計測した。
論文は公開済みの OpenWAM 重みと記すが、正確なバージョン、重みの識別子、リビジョンは記載していない。学習コードは公開予定で、派生重みとそのライセンス、コードのライセンスは未確認。



