日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

継続学習arXiv:2506.09623

解析的タスクスケジューラ:身体性基盤モデルの継続学習のための再帰的最小二乗法に基づく手法

Analytic Task Scheduler: Recursive Least Squares Based Method for Continual Learning in Embodied Foundation Models

シェア:XThreadsFacebookLINEはてブBluesky

タスクごとに独立して微調整したモデル群と、言語指示からタスクモデルを選ぶ再帰的最小二乗法ベースのスケジューラを組み合わせ、破滅的忘却を防ぎながら継続学習を実現するフレームワークを提案し、実機ロボットで有効性を示した。

詳しい要約

1. どんなもの?

- 本論文は、embodied foundation models における continual learning のための新フレームワーク **Analytic Task Scheduler (ATS)** を提案する。 - ATS は、タスクごとに独立して fine-tune されたモデル群からなる **task-specific model library** と、言語指示からタスク固有モデルへのマッピングを学習する **analytic scheduler** で構成される。 - scheduler は **recursive least squares (RLS)** を用いて訓練され、タスク認識と動的モデル選択を担う。 - 実世界のロボットプラットフォーム **RM65B** 上で検証され、忘却耐性とタスク変動への適応性を示す。

2. 先行研究と比べてどこがすごい?

- 従来の embodied foundation models は強い汎化・few-shot 学習能力を持つ一方、新スキル獲得時に既存スキルを忘れる **catastrophic forgetting** が課題であった。 - ATS はタスクごとにモデルを独立 fine-tune し、scheduler で選択する構成により、タスク間の **parameter interference** を根本的に回避する。 - scheduler は過去データを再訪せず、統計量のみで逐次更新できるため、履歴データを保持しない forgetting-resistant な学習を可能にする点が特徴。 - 実ロボット上での忘却耐性と適応性の検証を示している。

3. 技術・手法の肝は?

- **task-specific model library**: 各モデルを単一タスクで独立に fine-tune し、タスク間のパラメータ干渉を避ける。 - **analytic scheduler**: 言語指示とタスク固有モデルの対応を学習し、タスク認識と動的モデル選択を行う。 - scheduler の学習に **recursive least squares (RLS)** を採用。 - 更新には **autocorrelation** と **cross-correlation** 行列という統計量のみを用い、過去データの再訪を不要にする逐次更新を実現。

4. どうやって有効だと検証した?

- 実世界のロボットプラットフォーム **RM65B** 上で ATS を検証。 - 忘却への耐性(superior resistance to forgetting)とタスク変動への強い適応性(strong adaptability to task variations)を示した。 - 複雑・動的な環境で動作する embodied foundation models の continual learning に対して、有効・スケーラブル・実装可能な解であることを結果が示す。 - 詳細な実験設定や比較対象は要旨からは不明。

5. 議論はある?

- 要旨では ATS を有効・スケーラブル・実装可能な解決策と位置づけ、複雑で動的な環境への適用可能性を主張。 - タスクごとに独立モデルを持つ構成のスケーラビリティや、scheduler のタスク認識精度に関する限界・議論は要旨からは不明。 - 実ロボットでの検証は示されるが、詳細な失敗事例や制約についての議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で直接参照・比較されている個別研究は明示されていない。 - 関連手法として、catastrophic forgetting 対策の **EWC (Elastic Weight Consolidation)**、**LwF (Learning without Forgetting)**、**replay-based continual learning**、パラメータ干渉を避ける **adapter / modular architecture** 系の研究が次に読む候補。 - embodied foundation models の continual learning や **recursive least squares (RLS)** を用いた逐次学習の関連文献も候補。

※ 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: Lipei Xie, Yingxin Li, Huiping Zhuang

分類: cs.RO

原文アブストラクト

Embodied foundation models are crucial for Artificial Intelligence (AI) interacting with the physical world by integrating multi-modal inputs, such as proprioception, vision and language, to understand human intentions and generate actions to control robots. While these models demonstrate strong generalization and few-shot learning capabilities, they face significant challenges in continually acquiring new skills without forgetting previously learned skills, a problem known as catastrophic forgetting. To address this issue, we propose the Analytic Task Scheduler (ATS), a novel framework for continual learning in embodied foundation models. ATS consists of a task-specific model library, where each model is fine-tuned independently on a single task, and an analytic scheduler trained using recursive least squares (RLS) to learn the mapping between language instructions and task-specific models. This architecture enables accurate task recognition and dynamic model selection while fundamentally avoiding parameter interference across tasks. The scheduler updates its parameters incrementally using only statistics (autocorrelation and cross-correlation matrices), enabling forgetting-resistant learning without the need to revisit historical data. We validate ATS on a real-world robot platform (RM65B), demonstrating superior resistance to forgetting and strong adaptability to task variations. The results highlight ATS as an effective, scalable, and deployable solution for continual learning in embodied foundation models operating in complex, dynamic environments. Our code will be available at https://github.com/MIAA-Embodied-AI/AnalyticTaskScheduler

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. 2newmo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
  3. 3Google DeepMind、ロボット向けAIを発表新製品・発表
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5GXO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

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