日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

安全強化学習arXiv:2510.11491

適応的行動スケーリングによる制約認識型強化学習

Constraint-Aware Reinforcement Learning via Adaptive Action Scaling

シェア:XThreadsFacebookLINEはてブBluesky

予測される制約違反に応じてエージェントの行動を滑らかにスケーリングするモジュール型調整器を提案し、SACやTD3と組み合わせて安全性と性能を両立させた。

詳しい要約

1. どんなもの?

- 安全強化学習(safe RL)のための手法 - 制約違反を予測してエージェントの行動をスケーリングする modular な cost-aware regulator を提案 - 行動を上書きせず滑らかに変調することで探索を保持 - off-policy RL(SAC, TD3)に統合可能 - 目的は制約違反の削減とタスク性能(return)の維持・向上の両立

2. 先行研究と比べてどこがすごい?

- 既存手法の課題 - 単一ポリシーで reward と safety を同時最適化 → 目的の衝突で不安定化 - 外部 safety filter は行動を上書きし、事前のシステム知識を要求 - 提案手法の違い - 行動を上書きせず滑らかにスケーリングする modular regulator - 事前知識を要さず探索を保持 - 結果として Safety Gym locomotion(疎なコスト)で state-of-the-art の return-to-cost 比を達成 - 制約違反を最大126倍削減、return を1桁以上向上(先行手法比)

3. 技術・手法の肝は?

- 核となる仕組み - 制約違反を予測し、それに基づいてエージェントの行動をスケーリングする cost-aware regulator - 行動の変調は滑らかで、ポリシーを override しない - regulator の学習目的 - 制約違反の最小化 - 行動の退化(degenerate suppression)の回避 - 統合 - off-policy RL(SAC, TD3)にそのまま組み込める modular 設計

4. どうやって有効だと検証した?

- ベンチマーク - Safety Gym の locomotion タスク(疎なコスト設定) - 評価指標 - return-to-cost 比 - 制約違反数と return - 結果 - 先行手法比で制約違反を最大126倍削減 - return を1桁以上向上 - state-of-the-art の return-to-cost 比を達成 - 統合先として SAC と TD3 を用いて検証(詳細な実験設定は要旨からは不明)

5. 議論はある?

- 主張される利点 - 単一ポリシー同時最適化の不安定性を回避 - safety filter のような行動上書きや事前知識依存を避ける - 滑らかな変調で探索を保持 - 制約・限界 - 評価は Safety Gym locomotion の疎コスト設定に限定 - regulator の予測誤差や他タスクへの汎化性は要旨からは不明 - 計算コストやハイパーパラメータ感度は要旨からは不明

6. 次に読むべき論文は?

- 要旨で比較対象として示唆される関連手法 - 単一ポリシーで reward と safety を同時最適化する safe RL 手法 - 外部 safety filter を用いる手法 - off-policy RL の SAC, TD3 - 関連ベンチマーク - Safety Gym - 同分野の定番として参照候補 - constrained MDP に基づく safe RL の代表的手法(例: CPO, Lagrangian 法) - 安全層を分離する shielding / safety filter 系の研究

※ 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: Murad Dawood, Usama Ahmed Siddiquie, Shahram Khorshidi, Maren Bennewitz

分類: cs.RO, cs.LG, cs.SY, eess.SY

原文アブストラクト

Safe reinforcement learning (RL) seeks to mitigate unsafe behaviors that arise from exploration during training by reducing constraint violations while maintaining task performance. Existing approaches typically rely on a single policy to jointly optimize reward and safety, which can cause instability due to conflicting objectives, or they use external safety filters that override actions and require prior system knowledge. In this paper, we propose a modular cost-aware regulator that scales the agent's actions based on predicted constraint violations, preserving exploration through smooth action modulation rather than overriding the policy. The regulator is trained to minimize constraint violations while avoiding degenerate suppression of actions. Our approach integrates seamlessly with off-policy RL methods such as SAC and TD3, and achieves state-of-the-art return-to-cost ratios on Safety Gym locomotion tasks with sparse costs, reducing constraint violations by up to 126 times while increasing returns by over an order of magnitude compared to prior methods.

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