折り畳み学習：LeHome Challenge 2026における受賞ソリューション（オンライン1位、オフライン2位）

要旨

私は、ICRA 2026の二腕衣服折りたたみコンペティションであるLeHome Challenge 2026に対する自身のソリューションを説明する。本システムは、オンライン（シミュレーション）ラウンドでは62チーム中1位、実世界決勝では2位を獲得した。本手法は、強化学習ループを用いてビジョン・ランゲージ・アクション（VLA）ポリシーを改善するものである。このポリシーはそれ自体が価値関数として機能し、行動を予測する同一のネットワークが、成功確率、進捗、およびタスクに関連するいくつかの将来量も同時に予測する。これらの予測は、アドバンテージ推定、リアルタイムの失敗検出、および候補選択の駆動に使用される。本研究は主に既存の強化学習のアイデアを再構成し、以下のような工学的および最適化的な貢献を組み合わせたものであり、これらは一つのレシピとして、あるいは個別に使用することが可能である：フローマッチングVLAのためのAWR＋RECAPの組み合わせ；HuggingFace Hubを介した非同期分散型トレーニング／ロールアウトパイプライン；トンプソンサンプリングによる推論時ハイパーパラメータ最適化；カメラキャリブレーションツール、強力なデータ拡張、およびDAgger風のHILデータ収集を備えたSim-to-Realレシピ。

English

I describe my solution to the LeHome Challenge 2026, an ICRA 2026 competition on bimanual garment folding. The system placed 1st of 62 teams in the online (simulation) round and 2nd in the real-world final. It improves a vision-language-action (VLA) policy with a reinforcement-learning loop. The policy is its own value function: the same network that predicts actions also predicts success, progress, and a few task-relevant future quantities, and those predictions drive advantage estimation, live failure detection, and candidate selection. The work mostly recombines existing RL ideas with engineering and optimization contributions that can be used together as one recipe or individually: AWR + RECAP combined for flow-matching VLA; an asynchronous distributed training / rollout pipeline through HuggingFace Hub; inference-time hyperparameters optimization via Thompson sampling; a sim-to-real recipe with camera-alignment tooling, heavy augmentation and DAgger-like HIL data collection.