日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ロボット学習arXiv:2602.11393

人間の選好モデリングと視覚運動予測による一人称視点人間動画からのロボットスキル学習

Human Preference Modeling Using Visual Motion Prediction Improves Robot Skill Learning from Egocentric Human Video

シェア:XThreadsFacebookLINEはてブBluesky

一人称視点の人間動画から、追跡点の運動予測と観測の一致度を報酬として定義し、ロボット上で強化学習を行うことで、実機ロボットのスキル学習を改善する手法を提案した。

詳しい要約

1. どんなもの?

- 一人称視点の人間動画からロボットスキルを学習する手法を提案。 - 人間の選好を報酬関数としてモデル化し、ロボットの行動を最適化する。 - 追跡点の動き予測と観測の一致度を報酬と定義。 - 修正Soft Actor Critic (SAC) を用い、10回のロボット実演で初期化。 - 実ロボットとシミュレーションの両方で有効性を検証。

2. 先行研究と比べてどこがすごい?

- 先行研究は視覚状態の長期価値を終端状態との時間的距離で測るが、仮定が性能を制限。 - embodimentと環境のギャップを超えて価値関数を転移する必要があった。 - 提案手法は人間の選好を動き予測でモデル化し、 embodimentギャップの影響を軽減。 - 複数タスクで先行研究と同等以上の性能を実ロボットとシミュレーションで達成。

3. 技術・手法の肝は?

- 追跡点の動きを予測するモデルを学習し、人間の選好をモデル化。 - 報酬関数は、ロボットの行動における予測と観測の物体動きの一致度で定義。 - 修正SACアルゴリズムを10回のロボット実演で初期化し、価値関数を推定。 - 価値関数を最大化するポリシーをロボット上で最適化。 - 全てロボット上で学習を完結。

4. どうやって有効だと検証した?

- シミュレーションと実ロボットの両方で複数タスクを実施。 - 提案報酬モデルで学習したポリシーが先行研究と同等かそれ以上に一致または上回ることを示した。 - 実ロボットでの学習が可能であることを実証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 先行研究として、人間動画からの報酬学習(例:時間的距離に基づく価値関数推定)や、 embodimentギャップを扱う研究が参照されている。 - 関連手法としてSoft Actor Critic (SAC) が挙げられる。 - 同分野の定番として、逆強化学習 (Inverse Reinforcement Learning) や模倣学習 (Imitation Learning) が考えられる。

※ 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: Mrinal Verghese, Christopher G. Atkeson

分類: cs.RO

原文アブストラクト

We present an approach to robot learning from egocentric human videos by modeling human preferences in a reward function and optimizing robot behavior to maximize this reward. Prior work on reward learning from human videos attempts to measure the long-term value of a visual state as the temporal distance between it and the terminal state in a demonstration video. These approaches make assumptions that limit performance when learning from video. They must also transfer the learned value function across the embodiment and environment gap. Our method models human preferences by learning to predict the motion of tracked points between subsequent images and defines a reward function as the agreement between predicted and observed object motion in a robot's behavior at each step. We then use a modified Soft Actor Critic (SAC) algorithm initialized with 10 on-robot demonstrations to estimate a value function from this reward and optimize a policy that maximizes this value function, all on the robot. Our approach is capable of learning on a real robot, and we show that policies learned with our reward model match or outperform prior work across multiple tasks in both simulation and on the real robot.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI