日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

強化学習/探索arXiv:2601.19707

価値誘導フローによる高次元連続制御のスケーラブルな探索

Scalable Exploration for High-Dimensional Continuous Control via Value-Guided Flow

シェア:XThreadsFacebookLINEはてブBluesky

価値関数が誘導する確率フローに沿ってネイティブな高次元行動空間で探索を行う強化学習手法Qflexを提案し、高次元連続制御ベンチマークや全身筋骨格モデルの俊敏な運動制御で優れた性能を示した。

詳しい要約

1. どんなもの?

- 高次元連続制御のための強化学習手法 - Q-guided Flow Exploration (Qflex) を提案 - ネイティブな高次元行動空間で直接探索 - 学習可能なソース分布から価値関数誘導の確率フローに沿って行動を探索 - 生物学的・ロボティクス応用の高次元システム制御を目指す

2. 先行研究と比べてどこがすごい?

- 従来の探索戦略は無方向で行動次元増大に伴い急激に性能劣化 - 既存手法は次元削減に頼り、政策表現力と柔軟性を制限 - Qflexは次元削減せず、ネイティブ高次元行動空間で探索 - 等方性ノイズではなくタスク関連勾配に沿った探索を実現 - 代表的オンライン強化学習ベースラインを大幅に上回る

3. 技術・手法の肝は?

- 学習可能なソース分布から行動をサンプリング - 学習された価値関数が誘導する確率フローに沿って行動を遷移 - 探索をタスク関連勾配に整合させる - 高次元行動空間でのスケーラブルな探索を可能に - 価値誘導フローを探索に活用

4. どうやって有効だと検証した?

- 多様な高次元連続制御ベンチマークで評価 - 代表的オンライン強化学習ベースラインと比較 - 全身人体筋骨格モデルの敏捷で複雑な運動制御に成功 - 非常に高次元な設定でのスケーラビリティとサンプル効率の優位性を実証

5. 議論はある?

- 価値誘導フローが大規模探索への原理的かつ実用的な道筋を示唆 - 次元削減に頼らない探索の有効性を主張 - 高次元設定での性能向上を確認 - 具体的な限界や課題については要旨からは不明

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 - 関連手法として強化学習の探索戦略(等方性ノイズ、次元削減) - 同分野の定番としてSoft Actor-Critic (SAC), Proximal Policy Optimization (PPO) など - 価値関数誘導の確率フローに関する研究

※ 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: Yunyue Wei, Chenhui Zuo, Yanan Sui

分類: cs.LG, cs.RO

原文アブストラクト

Controlling high-dimensional systems in biological and robotic applications is challenging due to expansive state-action spaces, where effective exploration is critical. Commonly used exploration strategies in reinforcement learning are largely undirected with sharp degradation as action dimensionality grows. Many existing methods resort to dimensionality reduction, which constrains policy expressiveness and forfeits system flexibility. We introduce Q-guided Flow Exploration (Qflex), a scalable reinforcement learning method that conducts exploration directly in the native high-dimensional action space. During training, Qflex traverses actions from a learnable source distribution along a probability flow induced by the learned value function, aligning exploration with task-relevant gradients rather than isotropic noise. Our proposed method substantially outperforms representative online reinforcement learning baselines across diverse high-dimensional continuous-control benchmarks. Qflex also successfully controls a full-body human musculoskeletal model to perform agile, complex movements, demonstrating superior scalability and sample efficiency in very high-dimensional settings. Our results indicate that value-guided flows offer a principled and practical route to exploration at scale.

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