日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2508.01539

HALO: 人間の選好に整合したオフライン報酬学習によるロボットナビゲーション

HALO: Human Preference Aligned Offline Reward Learning for Robot Navigation

シェア:XThreadsFacebookLINEはてブBluesky

人間の直感を視覚ベースの報酬関数として定量化するオフライン報酬学習手法HALOを提案し、学習ベースとMPCベースのナビゲーションに適用して成功率や軌道精度を大幅に改善した。

詳しい要約

1. どんなもの?

- 視覚ベースの報酬関数として人間のナビゲーション直感を定量化する新規なOffline Reward LearningアルゴリズムHALOを提案 - 移動ロボットから収集したexpert trajectoriesを用い、オフラインデータから報酬モデルを学習 - 学習した報酬モデルを(i)報酬から直接学習するoffline policyと(ii)MPCベースプランナの追加コスト項という2つの下流応用に展開 - Clearpath Huskyでの実世界展開を含むロボットナビゲーション手法

2. 先行研究と比べてどこがすごい?

- state-of-the-artの視覚ベースナビゲーション手法と比較して、success rateで少なくとも33.3%改善 - normalized trajectory lengthを12.9%削減、Frechet distanceを26.6%削減(人間のexpert trajectories比) - 学習データに無い未見環境・ハードウェア構成への汎化を実機で示した点 - 学習ベースと古典的ナビゲーションの両フレームワークに適用できる汎用性

3. 技術・手法の肝は?

- オフラインのexpert trajectoriesから報酬モデルを学習 - 訓練時、reference action周辺でactionを一様サンプリングし、preferred actionを中心とするBoltzmann分布由来のpreference scoresでランク付け - ランク付けは直感的ナビゲーション質問へのbinary user feedbackで整形 - Plackett-Luce lossで報酬モデルをランク付けpreferenceに整合させる - 報酬はvision-basedで、MPCでは追加コスト項として利用

4. どうやって有効だと検証した?

- Clearpath Huskyを用いた実世界展開を多様なシナリオで実施 - 学習済みポリシーが訓練データに無い未見環境・ハードウェア構成へ効果的に汎化することを確認 - state-of-the-art視覚ベースナビゲーション手法との比較でsuccess rate・normalized trajectory length・Frechet distanceの改善を報告

5. 議論はある?

- 要旨からは不明(具体的な限界や失敗事例、報酬モデルの誤差影響などの議論は要旨に記載なし) - 実世界展開と未見環境への汎化、2種の下流応用での有効性は示されている

6. 次に読むべき論文は?

- Plackett-Luce loss(ランキング学習) - Boltzmann分布に基づくpreference modeling - 視覚ベースナビゲーションのstate-of-the-art手法(要旨では具体名の参照なし) - MPCベースプランナ - offline reinforcement learning / reward learning の関連研究

※ 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: Gershom Seneviratne, Jianyu An, Sahire Ellahy, Kasun Weerakoon, Mohamed Bashir Elnoor, Jonathan Deepak Kannan, Amogha Thalihalla Sunil, Dinesh Manocha

分類: cs.RO

原文アブストラクト

In this paper, we introduce HALO, a novel Offline Reward Learning algorithm that quantifies human intuition in navigation into a vision-based reward function for robot navigation. HALO learns a reward model from offline data, leveraging expert trajectories collected from mobile robots. During training, actions are uniformly sampled around a reference action and ranked using preference scores derived from a Boltzmann distribution centered on the preferred action, and shaped based on binary user feedback to intuitive navigation queries. The reward model is trained via the Plackett-Luce loss to align with these ranked preferences. To demonstrate the effectiveness of HALO, we deploy its reward model in two downstream applications: (i) an offline learned policy trained directly on the HALO-derived rewards, and (ii) a model-predictive-control (MPC) based planner that incorporates the HALO reward as an additional cost term. This showcases the versatility of HALO across both learning-based and classical navigation frameworks. Our real-world deployments on a Clearpath Husky across diverse scenarios demonstrate that policies trained with HALO generalize effectively to unseen environments and hardware setups not present in the training data. HALO outperforms state-of-the-art vision-based navigation methods, achieving at least a 33.3% improvement in success rate, a 12.9% reduction in normalized trajectory length, and a 26.6% reduction in Frechet distance compared to human expert trajectories.

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