ロボティクスにおける模倣学習のスケーリング則は、これまでオープンワールド環境での汎化能力に焦点が当てられてきました。しかし、ロボット組立などの閉鎖世界タスクにおいて、データ量と精度の関係性はほとんど探求されていません。本研究は、この重要な関係性を体系的に調査し、新たなスケーリング則を提唱しています。 研究チームの発見によると、一定の成功率を達成するために必要なデモンストレーション数Nは、目標精度Pが上限cに接近するにつれて、超指数関数的に増加することが明らかになりました。この関係性は数式log(N) ∝ 1/(P-c)で正確に表現されます。特に重要な知見は、精度の上限cが単なるタスク固有の物理的定数ではなく、センサーと専門家ポリシーを含むエージェントシステム全体の創発的な性質であるという点です。 標準的な操作タスクの実験を通じて、この法則の妥当性を検証した結果、リストカメラの追加や、より効果的な専門家ポリシーの採用などのシステムコンポーネントの改善により、精度の上限cが実測可能なレベルで低下し、システムが達成可能な精度範囲が拡大することが示されました。 本研究は、ロボティクスにおける精度に関する新しい理論的フレームワークと、システム能力を定量評価するメトリクスを提供します。これらの知見は、精密操作システムの開発とデバッグを指導するための実践的な方法論を提示し、ロボット技術の発展に貢献するものです。