日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

模倣学習/計画arXiv:2507.21533

観測からの計画のためのモデル予測敵対的模倣学習

Model Predictive Adversarial Imitation Learning for Planning from Observation

シェア:XThreadsFacebookLINEはてブBluesky

逆強化学習のポリシーをモデル予測制御に置き換え、観測のみのデモから計画器をエンドツーエンドで学習する手法を提案し、サンプル効率や汎化性能の向上を示した。

詳しい要約

1. どんなもの?

- 観測のみのデモンストレーションからplannerを学習する枠組み - IRLにおけるpolicyをplanning-based agentに置き換える定式化 - Adversarial Imitation Learningとの関連を持つend-to-endのinteractive learning - 模擬制御benchmarkと実世界navigationで評価

2. 先行研究と比べてどこがすごい?

- 従来のIRL+MPCのパイプラインを統一する点が特徴 - IRLのpolicyをplanning-based agentへ置換 - 解釈性・複雑さ・安全性に加え、sample efficiency、out-of-distribution generalization、robustnessで改善を観察 - 要旨からは不明(具体的な先行研究名や比較数値は記載なし)

3. 技術・手法の肝は?

- IRLのpolicyをplanning-based agentに置き換える - Adversarial Imitation Learningとの関連づけ - observation-only demonstrationsからのend-to-end interactive learning - 詳細なアルゴリズムは要旨からは不明

4. どうやって有効だと検証した?

- 模擬制御benchmarkでの評価 - 実世界navigation実験での評価 - few-to-singleのobservation-only demonstrationsを使用 - 具体的な指標・被験者数は要旨からは不明

5. 議論はある?

- 解釈性・複雑さ・安全性への利点を主張 - sample efficiency、out-of-distribution generalization、robustnessの改善を観察 - 限界や失敗事例の議論は要旨からは不明

6. 次に読むべき論文は?

- Adversarial Imitation Learning(関連手法として言及) - Inverse Reinforcement Learning(IRL) - Model Predictive Control(MPC) - 具体的な参照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: Tyler Han, Yanda Bao, Bhaumik Mehta, Gabriel Guo, Anubhav Vishwakarma, Emily Kang, Sanghun Jung, Rosario Scalise, Jason Zhou, Bryan Xu, Byron Boots

分類: cs.RO, cs.AI

原文アブストラクト

Human demonstration data is often ambiguous and incomplete, motivating imitation learning approaches that also exhibit reliable planning behavior. A common paradigm to perform planning-from-demonstration involves learning a reward function via Inverse Reinforcement Learning (IRL) then deploying this reward via Model Predictive Control (MPC). Towards unifying these methods, we derive a replacement of the policy in IRL with a planning-based agent. With connections to Adversarial Imitation Learning, this formulation enables end-to-end interactive learning of planners from observation-only demonstrations. In addition to benefits in interpretability, complexity, and safety, we study and observe significant improvements on sample efficiency, out-of-distribution generalization, and robustness. The study includes evaluations in both simulated control benchmarks and real-world navigation experiments using few-to-single observation-only demonstrations.

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