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:2601.19612

方策事前分布による安全な探索

Safe Exploration via Policy Priors

シェア:XThreadsFacebookLINEはてブBluesky

保守的な方策を事前分布として利用し、確率的ダイナミクスモデルで安全を保証しながら最適方策へ収束する強化学習手法SOOPERを提案した。

詳しい要約

1. どんなもの?

- 安全な探索を目的とした強化学習(RL)手法 SOOPER を提案。 - オフラインデータやシミュレータから得られる準最適だが保守的なポリシーを事前分布として利用。 - 確率的ダイナミクスモデルにより楽観的に探索しつつ、必要に応じて保守的ポリシーに悲観的にフォールバック。 - 学習中の安全性を保証し、累積リグレットをバウンドすることで最適ポリシーへの収束を証明。 - 主要な安全RLベンチマークと実機ハードウェアで有効性を検証。

2. 先行研究と比べてどこがすごい?

- 従来の安全RLは制御されたシミュレーション環境が前提となることが多い。 - SOOPER はオフラインデータやシミュレータから得た保守的ポリシーを事前分布として活用し、オンライン学習を可能にする。 - 理論的に学習中の安全性を保証し、累積リグレットのバウンドにより最適ポリシーへの収束を示す点が新しい。 - 実世界ハードウェアを含む実験で最先端手法を上回る性能を実証。

3. 技術・手法の肝は?

- 確率的ダイナミクスモデルを用いて楽観的に探索を行う。 - 必要に応じて保守的ポリシー事前分布に悲観的にフォールバックするメカニズムを採用。 - この組み合わせにより、安全性を維持しながら効率的な探索を実現。 - 理論的保証として、学習中の安全性と累積リグレットのバウンドを証明。

4. どうやって有効だと検証した?

- 主要な安全RLベンチマークでの実験を実施。 - 実世界のハードウェア実験も行い、スケーラビリティを実証。 - 最先端手法を上回る性能を示し、理論的保証を実践的に検証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 同分野の定番として、Safe RL のベンチマーク(Safety Gym など)や、オフラインRL、モデルベースRL、保守的ポリシー最適化(CPO)などの関連手法が挙げられる。

※ 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: Manuel Wendl, Yarden As, Manish Prajapat, Anton Pollak, Stelian Coros, Andreas Krause

分類: cs.LG, cs.AI, cs.RO

原文アブストラクト

Safe exploration is a key requirement for reinforcement learning (RL) agents to learn and adapt online, beyond controlled (e.g. simulated) environments. In this work, we tackle this challenge by utilizing suboptimal yet conservative policies (e.g., obtained from offline data or simulators) as priors. Our approach, SOOPER, uses probabilistic dynamics models to optimistically explore, yet pessimistically fall back to the conservative policy prior if needed. We prove that SOOPER guarantees safety throughout learning, and establish convergence to an optimal policy by bounding its cumulative regret. Extensive experiments on key safe RL benchmarks and real-world hardware demonstrate that SOOPER is scalable, outperforms the state-of-the-art and validate our theoretical guarantees in practice.

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