日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

拡散プランナーarXiv:2603.02650

エネルギーベースの自己教師あり行動ゲーティングによる拡散プランナーの改善

Improving Diffusion Planners by Self-Supervised Action Gating with Energies

シェア:XThreadsFacebookLINEはてブBluesky

拡散プランナーの推論時に、JEPAで学習した潜在予測誤差をエネルギーとして候補軌道を再ランキングし、動的に矛盾する計画を排除して性能と堅牢性を高める手法SAGEを提案。

詳しい要約

1. どんなもの?

- 拡散プランナー(Diffusion Planners)の性能と堅牢性を向上させる推論時再ランキング手法「Self-supervised Action Gating with Energies (SAGE)」を提案。 - オフライン強化学習(offline reinforcement learning)において、価値誘導選択が局所的に環境ダイナミクスと矛盾する軌道を選ぶ問題に対処。 - 潜在整合性信号(latent consistency signal)を用いて動的に矛盾する計画にペナルティを与える。 - 既存の拡散プランニングパイプラインに統合可能で、環境ロールアウトやポリシー再訓練が不要。

2. 先行研究と比べてどこがすごい?

- 従来の拡散プランナーは価値推定に基づく選択を行うが、動的に矛盾する軌道を選ぶことで脆弱な実行になることがあった。 - SAGEは推論時に動的整合性を評価するエネルギーを導入し、価値推定と組み合わせることで、より実行可能な行動選択を実現。 - 環境ロールアウトやポリシー再訓練を必要とせず、既存の拡散プランニングパイプラインに容易に統合できる点が優れている。 - ロコモーション、ナビゲーション、マニピュレーションのベンチマークで性能と堅牢性を改善。

3. 技術・手法の肝は?

- オフライン状態シーケンス上でJoint-Embedding Predictive Architecture (JEPA) エンコーダを訓練。 - 短いホライズンの遷移に対する行動条件付き潜在予測器(action-conditioned latent predictor)を訓練。 - テスト時、各サンプル候補に潜在予測誤差に基づくエネルギーを割り当て、実行可能性スコアを算出。 - この実行可能性スコアを価値推定と組み合わせて行動を選択。 - 環境ロールアウトやポリシー再訓練は不要。

4. どうやって有効だと検証した?

- ロコモーション、ナビゲーション、マニピュレーションのベンチマークで評価。 - SAGEが拡散プランナーの性能と堅牢性を向上させることを確認。 - 具体的なベースラインや評価指標は要旨からは不明。

5. 議論はある?

- 要旨からは、SAGEの限界や議論の詳細は不明。 - 動的に矛盾する計画へのペナルティが有効であることを示唆。 - 環境ロールアウトや再訓練が不要である点が実用性を高める。

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、Diffusion Planners、Joint-Embedding Predictive Architecture (JEPA)、Value-guided selection、Offline Reinforcement Learningが挙げられる。 - 同分野の定番として、Diffusion Policy、Decision Transformer、Conservative Q-Learning (CQL) などが考えられる。

※ 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: Yuan Lu, Dongqi Han, Yansen Wang, Dongsheng Li

分類: cs.LG, cs.AI, cs.RO

原文アブストラクト

Diffusion planners are a strong approach for offline reinforcement learning, but they can fail when value-guided selection favours trajectories that score well yet are locally inconsistent with the environment dynamics, resulting in brittle execution. We propose Self-supervised Action Gating with Energies (SAGE), an inference-time re-ranking method that penalises dynamically inconsistent plans using a latent consistency signal. SAGE trains a Joint-Embedding Predictive Architecture (JEPA) encoder on offline state sequences and an action-conditioned latent predictor for short horizon transitions. At test time, SAGE assigns each sampled candidate an energy given by its latent prediction error and combines this feasibility score with value estimates to select actions. SAGE can integrate into existing diffusion planning pipelines that can sample trajectories and select actions via value scoring; it requires no environment rollouts and no policy re-training. Across locomotion, navigation, and manipulation benchmarks, SAGE improves the performance and robustness of diffusion planners.

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

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