日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

模倣学習arXiv:2602.01018

マルチタスク軌道からの解釈可能なスキルのオフライン発見

Offline Discovery of Interpretable Skills from Multi-Task Trajectories

シェア:XThreadsFacebookLINEはてブBluesky

弱いタスクラベルと自己教師あり学習を組み合わせて、長期的なマルチタスクのオフラインデータから再利用可能なスキルを発見し、階層的な模倣学習を実現するフレームワークLOKIを提案した。

詳しい要約

1. どんなもの?

- 長期・多タスクのオフライン軌道から再利用可能なスキルを発見し、階層的模倣学習(HIL)を行う枠組み LOKI を提案。 - 報酬やサブタスク注釈が無いデータを対象に、3段階のend-to-end学習でスキル境界と階層方策を獲得。 - スキルは option ベースの方策として構成され、明示的なスキル切替のための終了条件 beta を学習。

2. 先行研究と比べてどこがすごい?

- 従来の HIL は長期・多タスクのオフラインデータで再利用可能スキルを発見するのが困難。 - LOKI は弱いタスクラベルを活用した2段階の弱教師ありスキル発見と、自己教師あり系列モデルによる境界精緻化を組み合わせる。 - D4RL Kitchen ベンチマークで高い成功率を達成し、標準的な HIL ベースラインを上回る。

3. 技術・手法の肝は?

- 第1段階: 弱いタスクラベルに導かれた alignment-enforced Vector Quantized VAE で粗いタスク認識マクロセグメンテーションを実施。 - 第2段階: 自己教師あり系列モデルでマイクロレベルに精緻化し、反復クラスタリングでスキル境界を統合。 - 第3段階: 得られた境界を用いて option ベースの階層方策を構築し、学習された終了条件 beta でスキル切替を明示化。

4. どうやって有効だと検証した?

- 困難な D4RL Kitchen ベンチマークで高い成功率を達成。 - 標準的な HIL ベースラインと比較して優位性を確認。 - 発見されたスキルが人間の直感と一致する意味的に有意なものであること、および新規未見タスクを解くためにスキルを順序付けて構成できる組成性を示した。

5. 議論はある?

- 発見スキルの意味的解釈性と組成性が示され、新規タスクへの汎化可能性が議論されている。 - 一方で、弱いタスクラベルの必要性や、より多様なタスク・環境への適用限界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: Hierarchical Imitation Learning (HIL) の標準ベースライン、D4RL Kitchen ベンチマーク。 - 関連手法: Vector Quantized VAE、option ベースの階層的強化学習/模倣学習。 - 同分野の定番: スキル発見のための自己教師ありセグメンテーションや階層的模倣学習に関する研究。

※ 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: Chongyu Zhu, Mithun Vanniasinghe, Jiayu Chen, Chi-Guhn Lee

分類: cs.RO, cs.AI

原文アブストラクト

Hierarchical Imitation Learning is a powerful paradigm for acquiring complex robot behaviors from demonstrations. A central challenge, however, lies in discovering reusable skills from long-horizon, multi-task offline data, especially when the data lacks explicit rewards or subtask annotations. In this work, we introduce LOKI, a three-stage end-to-end learning framework designed for offline skill discovery and hierarchical imitation. The framework commences with a two-stage, weakly supervised skill discovery process: Stage one performs coarse, task-aware macro-segmentation by employing an alignment-enforced Vector Quantized VAE guided by weak task labels. Stage two then refines these segments at a micro-level using a self-supervised sequential model, followed by an iterative clustering process to consolidate skill boundaries. The third stage then leverages these precise boundaries to construct a hierarchical policy within an option-based framework-complete with a learned termination condition beta for explicit skill switching. LOKI achieves high success rates on the challenging D4RL Kitchen benchmark and outperforms standard HIL baselines. Furthermore, we demonstrate that the discovered skills are semantically meaningful, aligning with human intuition, and exhibit compositionality by successfully sequencing them to solve a novel, unseen task.

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