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:2505.16856

オフライン事前学習済み方策のみを用いた効率的なオンラインRLファインチューニング

Efficient Online RL Fine Tuning with Offline Pre-trained Policy Only

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みQ関数に頼らず、オフラインで学習した方策だけを使ってオンライン強化学習でファインチューニングする手法PORLを提案し、BC方策の直接改善も可能にした。

詳しい要約

1. どんなもの?

- オフラインで事前学習済みの policy のみを用いて online RL fine-tuning を行う手法 PORL (Policy-Only Reinforcement Learning Fine-Tuning) を提案する研究。 - 事前学習済み Q-function を必要とせず、online フェーズで Q-function をゼロから高速に初期化する。 - offline-to-online RL および behavior cloning (BC) 事前学習済み policy の直接 fine-tuning を対象とする。

2. 先行研究と比べてどこがすごい?

- 既存の online RL fine-tuning は offline で事前学習した Q-function との継続学習を前提とし、安定性と性能を得ていた。 - しかし offline RL の保守性により、事前学習 Q-function は offline dataset 外の state-action pair を過小評価し、online 移行時の探索を妨げる。 - さらに事前学習 Q-function が無い場合(例: imitation learning (IL) 事前学習)には適用できない制約があった。 - PORL は事前学習 Q-function への依存を排除し、この過小評価(pessimism)を回避する点が新しい。

3. 技術・手法の肝は?

- offline 事前学習済み policy のみを入力とし、online フェーズで Q-function をスクラッチから迅速に初期化する。 - 事前学習 Q-function の保守的な過小評価を引き継がないことで、offline から online への遷移時の探索阻害を回避する設計。 - 具体的なアルゴリズム詳細やハイパーパラメータは要旨からは不明。

4. どうやって有効だと検証した?

- 提案手法が advanced な offline-to-online RL アルゴリズム、および data や policy の prior を活用する online RL 手法と競争可能な性能を達成したと報告。 - behavior cloning (BC) policy の直接 fine-tuning 経路を開拓したことを示す。 - 実験設定・ベンチマーク・評価指標の詳細は要旨からは不明。

5. 議論はある?

- 事前学習 Q-function の保守性が online 探索を妨げるという問題意識と、それを回避するためのスクラッチからの Q-function 初期化の有効性が議論の中心。 - 事前学習 Q-function が無い IL 事前学習シナリオへの適用可能性を主張。 - 限界や失敗ケース、計算コスト、安定性に関する詳細な議論は要旨からは不明。

6. 次に読むべき論文は?

- offline-to-online RL の代表的手法(例: CQL などの保守的 offline RL と online fine-tuning を組み合わせた手法)。 - behavior cloning (BC) および imitation learning (IL) による事前学習手法。 - offline 事前学習 Q-function を用いる既存 online RL fine-tuning 研究(要旨で比較対象として言及)。 - 具体的な論文名は要旨からは不明。

※ 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: Wei Xiao, Jiacheng Liu, Zifeng Zhuang, Runze Suo, Shangke Lyu, Donglin Wang

分類: cs.LG, cs.AI, cs.RO

原文アブストラクト

Improving the performance of pre-trained policies through online reinforcement learning (RL) is a critical yet challenging topic. Existing online RL fine-tuning methods require continued training with offline pretrained Q-functions for stability and performance. However, these offline pretrained Q-functions commonly underestimate state-action pairs beyond the offline dataset due to the conservatism in most offline RL methods, which hinders further exploration when transitioning from the offline to the online setting. Additionally, this requirement limits their applicability in scenarios where only pre-trained policies are available but pre-trained Q-functions are absent, such as in imitation learning (IL) pre-training. To address these challenges, we propose a method for efficient online RL fine-tuning using solely the offline pre-trained policy, eliminating reliance on pre-trained Q-functions. We introduce PORL (Policy-Only Reinforcement Learning Fine-Tuning), which rapidly initializes the Q-function from scratch during the online phase to avoid detrimental pessimism. Our method not only achieves competitive performance with advanced offline-to-online RL algorithms and online RL approaches that leverage data or policies prior, but also pioneers a new path for directly fine-tuning behavior cloning (BC) policies.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI