MinInter: 模倣学習におけるデータ拡張時の軌道補間を最小化

2026年6月、IEEE CASE 2026に採択された論文が、模倣学習におけるデータ拡張のための新しい手法MinInter（Minimizing Interpolation）を提案しました。模倣学習はロボットがデモンストレーションから複雑な操作スキルを獲得することを可能にしますが、高品質なデータの収集コストが課題です。軌道レベルのデータ拡張手法は、初期状態を変えて専門家のデモンストレーションを再結合することでこの課題に対処しますが、従来手法では非専門家の遷移セグメントが挿入され、生成データの品質が低下する問題がありました。MinInterは、サンプリングされた各初期配置に対して、完全な軌道を形成するために必要な補間が最小のソースデモンストレーションを選択します。データ生成中の補間を明示的に最小化することで、既存のデータ生成フレームワークと互換性を保ちつつ、より高品質な合成デモンストレーションを生成します。MimicGenベンチマークの12の操作タスク（26のバリエーション）での実験では、MinInterはデータ生成成功率と方策成功率の両方を一貫して改善し、特に接触を伴う長期間で高分散な設定で最大の向上を示しました。最近のSkillGenフレームワークと比較して、MinInterは概念的にシンプルであるにもかかわらず、より高い方策成功率を達成し、データ拡張における補間最小化の価値を強調しています。この研究は、ロボット学習におけるデータ効率の向上に貢献し、今後の応用が期待されます。論文はIEEE CASE 2026で発表され、関連コードとデータは近日公開予定です。