大規模な行動クローニングによって訓練された視覚運動操作ポリシーは、意味的なシーン理解において高い性能を発揮する一方で、分布シフトの下では正確な低レベル動作を確実に実行できないことがしばしばある。例えば、シーンのレイアウト、カメラ視点、照明が同一の単純なピックアップタスクであっても、物体が見慣れない位置に置かれると性能が大幅に低下する。研究チームは、このギャップが動作理解の不足、すなわち画像空間においてロボットのベースフレーム動作座標系を解釈できないことに起因すると主張している。
この問題を解決するために、著者らはAxisGuideを提案した。これは意味的なシーン理解と動作座標の解釈を橋渡しする軽量なガイダンス手法である。AxisGuideはカメラパラメータとエンドエフェクタの姿勢を用いて、各カメラ視点にロボットのベースフレーム軸を描画し、+x、+y、+z方向の動きが画像空間で何を意味するかを明示的に可視化する少数のキュー信号をRGB観測に付加する。これにより、ポリシーネットワークは視覚入力と動作空間をより直接的に結びつけることができ、未知の位置への感受性を低減できる。
研究チームはLIBEROシミュレーション環境と実世界環境の両方で広範な評価を実施した。実験結果は、AxisGuideが大幅な性能向上をもたらし、ポリシーの汎化能力を改善することを示している。これらの結果は、信頼性が高く転移可能な汎用視覚運動ポリシーの学習における、明示的な動作座標キューの有効性を強調している。本論文はRobotics: Science and Systems (RSS) 2026に採択され、筆頭著者はJiyun Jangで、全8名の著者が参加している。論文は2026年6月4日にarXivに投稿され、arXiv:2606.06761として、ロボティクス（cs.RO）および人工知能（cs.AI）の分野に分類されている。