Yu Guoら6名の著者による論文「Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation」が2026年6月10日にarXivに提出されました。本論文では、ロボット操作におけるスパース3Dエンコーダが下流タスクの目的関数に依存して学習されることで、特定のデータ分布、ポリシーアーキテクチャ、行動パラメータ化に密結合し、汎化能力が制限される問題に取り組んでいます。提案手法であるSparse2Actは、観測と行動を整合させる事前学習フレームワークであり、タスク空間のエンドエフェクタ動作を幾何学的監督として利用します。具体的には、マスクされたスパース3Dトークンが、観測とペアになった作業空間運動の周辺でシーン特徴を整理するように訓練されます。事前学習後、下流ポリシーはエンコーダの初期化のみを再利用し、独自のアーキテクチャと行動空間（関節空間コマンドを含む）を保持できます。
実験では、Sparse2ActはLIBERO-10ベンチマークで500回の微調整ステップのみで平均成功率86.9%を達成し、ベースラインを大幅に上回りました。さらに、同じ事前学習済みエンコーダはLIBEROからMeta-Worldへのクロスドメイン転移をサポートし、Meta-World-5ベンチマークで平均73.4%の成功率を示しました。アブレーション研究により、性能向上の要因がマスク行動整合信号にあること、そしてその信号が異なるデコーダ容量でも有効であることが確認されました。また、シミュレーションから実世界への転移実験では、シミュレーションで事前学習した後、限られた実データで微調整することで、4つのタスク（物体のピックアンドプレース、ドアの開閉など）において平均72.5%の成功率を達成し、有効なシミュレーションから実世界への転移能力を実証しました。これらの結果は、ロボットの行動が再利用可能なスパース3D表現に対してコンパクトな幾何学的監督を提供できることを示唆しています。Sparse2Actの提案は、3D表現に基づくロボット操作のための新たな事前学習パラダイムを提供し、将来のクロスドメインおよびクロスタスク学習の基盤となると期待されます。論文の主題はロボティクス（cs.RO）であり、arXiv番号2606.12759として参照可能です。