日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

強化学習arXiv:2505.06357

DAPPER: 識別性を考慮したポリシー間選好ベース強化学習によるクエリ効率の良いロボットスキル獲得

DAPPER: Discriminability-Aware Policy-to-Policy Preference-Based Reinforcement Learning for Query-Efficient Robot Skill Acquisition

シェア:XThreadsFacebookLINEはてブBluesky

複数のポリシー間の軌道比較で選好クエリを生成し、識別性を推定する識別器で優先サンプリングすることで、クエリ効率を高める選好ベース強化学習手法を提案。

詳しい要約

1. どんなもの?

- ロボットの技能獲得のための強化学習手法。 - 人間への選好クエリ(軌道比較)で報酬を学習する PbRL の枠組み。 - クエリ効率を高めるため、単一ポリシー内比較ではなく複数ポリシー間比較でクエリを生成する DAPPER を提案。 - 選好の判別容易性(preference discriminability)を指標として導入。 - 脚式ロボットのシミュレーションと実機で評価。

2. 先行研究と比べてどこがすごい?

- 従来 PbRL は単一ポリシーの軌道比較に依存し、policy bias により軌道多様性が乏しく判別可能なクエリが減り、クエリ効率が低い問題があった。 - 提案は単一ポリシー内比較を超え、複数ポリシー間の比較でクエリを生成し、ゼロから学習することで policy bias を避け多様性を促進。 - preference discriminability を明示的に推定・活用する点が先行研究と異なる。 - 特に判別が難しい条件下でクエリ効率が向上すると報告。

3. 技術・手法の肝は?

- 報酬更新ごとに新規ポリシーをゼロから学習(policy-to-policy)。 - 複数ポリシーの軌道を比較してクエリを生成し、軌道多様性を確保。 - discriminator が preference discriminability を推定するよう学習。 - 推定スコアに基づき、より判別しやすいクエリを優先サンプリング。 - 学習中に preference reward と preference discriminability score を同時最大化し、高報酬かつ判別容易なポリシーを探索。

4. どうやって有効だと検証した?

- シミュレーション環境と実世界の脚式ロボット環境で実験。 - 従来手法と比較し、クエリ効率で DAPPER が優れることを示す。 - 特に preference discriminability が難しい条件下での有効性を確認。 - 提案フレームワークと実験結果の補足動画を公開。

5. 議論はある?

- 要旨からは不明(具体的な限界や失敗事例、計算コスト、人間被験者への負担などの議論は要旨に明記されていない)。 - 複数ポリシーをゼロから学習する反復コストや、discriminator の推定精度への依存については要旨からは不明。

6. 次に読むべき論文は?

- 単一ポリシー内比較に基づく従来 PbRL(要旨で比較対象として言及)。 - 複数ポリシー間比較や軌道多様性を扱う PbRL 関連研究(要旨で参照)。 - preference discriminability を扱う選好学習研究(要旨で参照)。 - 脚式ロボットの技能獲得における PbRL 応用研究(同分野の関連手法)。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yuki Kadokawa, Jonas Frey, Takahiro Miki, Takamitsu Matsubara, Marco Hutter

分類: cs.RO

原文アブストラクト

Preference-based Reinforcement Learning (PbRL) enables policy learning through simple queries comparing trajectories from a single policy. While human responses to these queries make it possible to learn policies aligned with human preferences, PbRL suffers from low query efficiency, as policy bias limits trajectory diversity and reduces the number of discriminable queries available for learning preferences. This paper identifies preference discriminability, which quantifies how easily a human can judge which trajectory is closer to their ideal behavior, as a key metric for improving query efficiency. To address this, we move beyond comparisons within a single policy and instead generate queries by comparing trajectories from multiple policies, as training them from scratch promotes diversity without policy bias. We propose Discriminability-Aware Policy-to-Policy Preference-Based Efficient Reinforcement Learning (DAPPER), which integrates preference discriminability with trajectory diversification achieved by multiple policies. DAPPER trains new policies from scratch after each reward update and employs a discriminator that learns to estimate preference discriminability, enabling the prioritized sampling of more discriminable queries. During training, it jointly maximizes the preference reward and preference discriminability score, encouraging the discovery of highly rewarding and easily distinguishable policies. Experiments in simulated and real-world legged robot environments demonstrate that DAPPER outperforms previous methods in query efficiency, particularly under challenging preference discriminability conditions. A supplementary video that facilitates understanding of the proposed framework and its experimental results is available at: https://youtu.be/lRwX8FNN8n4

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI