FLASH: スパースサンプリングによる効率的な視覚運動ポリシー

近年、拡散モデルやフローマッチングモデルは視覚運動ポリシー学習の主流となっているが、反復的なデノイジングプロセスに依存するため、推論遅延が大きく、リアルタイムロボット制御には不適切である。この問題に対処するため、研究者らはFLASH（Fast Legendre-polynomial Action policy via Sparse History-anchored flow）ポリシーを提案した。これは、連続ルジャンドル多項式軌道表現とスパース時間サンプリングを利用して、効率的な単一ステップ推論を実現するものである。

FLASHの主な革新は、離散アクションチャンク生成を連続ルジャンドル多項式軌道に置き換えたことにある。スパース時間サンプリングによりエキスパートデモをフィッティングすることで、FLASHは単一の推論で大幅に拡張されたアクションホライゾンをカバーできる。従来の離散チャンク方式では複数の推論ステップが必要であったが、連続多項式表現により単一ステップで完全な軌道を出力でき、計算コストを大幅に削減する。

さらに生成を高速化するため、FLASHはフローマッチングプロセスを無情報のガウシアンノイズではなく、履歴多項式係数から開始する。これにより輸送距離が短縮され、正確な単一ステップ推論が可能となる。また、解析的多項式微分により、トルクコントローラへの速度フィードフォワード信号を数値近似なしで直接提供でき、制御遅延が低減される。

実験では、5つのシミュレーション環境（カップ積み、物体移動など）と2つの実世界操作タスク（ロボットアームによる把持と組立）で評価が行われた。結果、全タスクで92%以上の成功率を達成し、エピソードあたりの推論時間は31.40ミリ秒であった。これは拡散ポリシー比で最大175倍、先行フローマッチングポリシー比で18倍の高速化である。さらに、トレーニング収束はACT比で4倍高速であり、コントローラの追跡誤差は離散アクションベースライン比で5～7倍削減された。

これらの成果は、FLASHがリアルタイムロボット制御、特に高頻度更新が必要な動的タスクにおいて大きな可能性を持つことを示している。今後はより複雑な操作シナリオへの拡張と汎化能力の最適化が期待される。