日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2508.06426

汎用ロボット方策におけるショートカット学習:データセットの多様性と断片化の役割

Shortcut Learning in Generalist Robot Policies: The Role of Dataset Diversity and Fragmentation

シェア:XThreadsFacebookLINEはてブBluesky

大規模ロボットデータセットで訓練された汎用方策が訓練分布外で汎化しにくい原因を分析し、タスク無関係な特徴に依存する「ショートカット学習」が主因であること、サブデータセットの多様性不足と分布の断片化がそれを助長することを示した。さらにデータ拡張でショートカット学習を軽減し汎化性能を改善できることを実証した。

詳しい要約

1. どんなもの?

- 大規模データセット(例:Open X-Embodiment (OXE))で学習した generalist robot policies の汎化性能が限定的になる原因を分析した研究。 - タスクに無関係な特徴に依存する shortcut learning を主要因として特定。 - 原因として (1) 個々の sub-dataset 内の多様性不足、(2) sub-dataset 間の分布差による dataset fragmentation を挙げる。 - 理論・実証の両面から分析し、データ収集戦略や data augmentation への示唆を与える。

2. 先行研究と比べてどこがすごい?

- 従来の generalist robot policies は OXE 等の大規模データで広範なタスクに高い性能を示すとされてきたが、訓練分布外への汎化が課題だった。 - 本研究はその原因を shortcut learning に帰着させ、データセット構造(sub-dataset の多様性不足と断片化)に結びつけて説明した点が新しい。 - 個別の手法改善ではなく、データセット収集・構成の観点から汎化限界を論じる視点を提示。 - 既存 offline データに対しても data augmentation で対処可能なことを示す点が先行研究と異なる。

3. 技術・手法の肝は?

- shortcut learning を「タスクに無関係な特徴への依存」と定義し、理論的・実証的に分析。 - 大規模データセットが独立収集された複数 sub-dataset から成る構造に着目。 - 各 sub-dataset 内の diversity 不足と、sub-dataset 間の distributional disparities(dataset fragmentation)を二要因として特定。 - 新規大規模データ収集が困難な場合に備え、慎重に選定した robotic data augmentation 戦略を既存 offline データへ適用する手法を提示。 - 具体的なアルゴリズム名や詳細は要旨からは不明。

4. どうやって有効だと検証した?

- 理論分析に加え、実証分析を実施。 - シミュレーション環境と実世界環境の両方で検証。 - generalist robot policy の例として π_0 を用い、data augmentation 戦略が shortcut learning を低減し汎化性能を改善することを示した。 - 詳細な実験設定・指標・ベースラインは要旨からは不明。

5. 議論はある?

- 大規模データセット(OXE 等)の構造に由来する shortcut learning の二要因を指摘し、データ収集戦略への示唆を与える。 - 新規大規模データ収集が非現実的な場合の代替として、data augmentation の有効性を議論。 - 限界や具体的な収集戦略の詳細、augmentation 選択基準、他手法への一般性は要旨からは不明。

6. 次に読むべき論文は?

- Open X-Embodiment (OXE):本研究が分析対象とする大規模データセット。 - π_0:検証に用いられた generalist robot policy。 - shortcut learning に関する一般文献(タスク無関係特徴への依存を扱う研究)。 - robotic data augmentation に関する関連研究。 - dataset fragmentation や distribution shift を扱う汎化研究。

※ 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: Youguang Xing, Xu Luo, Junlin Xie, Lianli Gao, Hengtao Shen, Jingkuan Song

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Generalist robot policies trained on large-scale datasets such as Open X-Embodiment (OXE) demonstrate strong performance across a wide range of tasks. However, they often struggle to generalize beyond the distribution of their training data. In this paper, we investigate the underlying cause of this limited generalization capability. We identify shortcut learning -- the reliance on task-irrelevant features -- as a key impediment to generalization. Through comprehensive theoretical and empirical analysis, we uncover two primary contributors to shortcut learning: (1) limited diversity within individual sub-datasets, and (2) significant distributional disparities across sub-datasets, leading to dataset fragmentation. These issues arise from the inherent structure of large-scale datasets like OXE, which are typically composed of multiple sub-datasets collected independently across varied environments and embodiments. Our findings provide critical insights into dataset collection strategies that can reduce shortcut learning and enhance the generalization ability of generalist robot policies. Moreover, in scenarios where acquiring new large-scale data is impractical, we demonstrate that carefully selected robotic data augmentation strategies can effectively reduce shortcut learning in existing offline datasets, thereby improving generalization capabilities of generalist robot policies, e.g., $\pi_0$, in both simulation and real-world environments. More information at https://lucky-light-sun.github.io/proj/shortcut-learning-in-grps/.

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. 3GXO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
  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