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:2602.10793

半教師ありクロスドメイン模倣学習

Semi-Supervised Cross-Domain Imitation Learning

シェア:XThreadsFacebookLINEはてブBluesky

少数の目標ドメインの専門家デモとラベルなしの不完全軌道のみを用いて、ドメイン間の状態行動マッピングを学習する半教師ありクロスドメイン模倣学習手法を提案し、MuJoCoとRobosuiteで安定かつデータ効率的な性能向上を示した。

詳しい要約

1. どんなもの?

- クロスドメイン模倣学習(CDIL)の新しい設定として、半教師ありCDIL(SS-CDIL)を導入し、その最初のアルゴリズムを提案。 - オフラインデータのみを使用し、少数のターゲットエキスパートデモンストレーションと、いくつかのラベルなし不完全軌道を含む。 - ドメイン間の状態-行動マッピングを学習するための新しいクロスドメイン損失関数と、ソースとターゲットの知識のバランスを取る適応的重み関数を設計。 - MuJoCoとRobosuiteでの実験で、ベースラインを一貫して上回る性能を示し、最小限の監督で安定かつデータ効率的な政策学習を実現。

2. 先行研究と比べてどこがすごい?

- 既存のCDIL手法は、教師あり(プロキシタスクと明示的アラインメントに依存)または教師なし(ペアデータなしで分布をアラインメントするが不安定)のいずれか。 - 提案手法は半教師あり設定を導入し、理論的正当化を伴う最初のアルゴリズム。 - オフラインデータのみを使用し、少数のターゲットエキスパートデモとラベルなし不完全軌道を活用。 - 安定性とデータ効率の向上を実現し、ベースラインを一貫して上回る。

3. 技術・手法の肝は?

- ドメイン不一致に対処するため、ドメイン間の状態-行動マッピングを学習する新しいクロスドメイン損失関数を提案。 - ソースとターゲットの知識のバランスを取る適応的重み関数を設計。 - オフラインデータのみを使用し、少数のターゲットエキスパートデモとラベルなし不完全軌道を組み合わせる。 - 理論的正当化を提供。

4. どうやって有効だと検証した?

- MuJoCoとRobosuiteでの実験により、ベースラインと比較して一貫した性能向上を確認。 - 最小限の監督で安定かつデータ効率的な政策学習を達成することを示した。 - コードは公開されている。

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:既存の教師ありCDIL、教師なしCDIL。 - 関連手法:模倣学習、クロスドメイン模倣学習、半教師あり学習。 - 同分野の定番:GAIL、DAC、DANNなどが考えられるが、要旨では明示されていない。

※ 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: Li-Min Chu, Kai-Siang Ma, Ming-Hong Chen, Ping-Chun Hsieh

分類: cs.LG, cs.RO

原文アブストラクト

Cross-domain imitation learning (CDIL) accelerates policy learning by transferring expert knowledge across domains, which is valuable in applications where the collection of expert data is costly. Existing methods are either supervised, relying on proxy tasks and explicit alignment, or unsupervised, aligning distributions without paired data, but often unstable. We introduce the Semi-Supervised CDIL (SS-CDIL) setting and propose the first algorithm for SS-CDIL with theoretical justification. Our method uses only offline data, including a small number of target expert demonstrations and some unlabeled imperfect trajectories. To handle domain discrepancy, we propose a novel cross-domain loss function for learning inter-domain state-action mappings and design an adaptive weight function to balance the source and target knowledge. Experiments on MuJoCo and Robosuite show consistent gains over the baselines, demonstrating that our approach achieves stable and data-efficient policy learning with minimal supervision. Our code is available at~ https://github.com/NYCU-RL-Bandits-Lab/CDIL.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI