量より質：データ中心ロボット学習のための影響関数によるデモンストレーションキュレーション
Quality over Quantity: Demonstration Curation via Influence Functions for Data-Centric Robot Learning
デモンストレーション学習において、検証データへの損失削減への貢献度を影響関数で推定し、高品質なデータを選別する手法QoQを提案。シミュレーションと実環境で既存手法より高い性能を達成。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Haeone Lee, Taywon Min, Junsu Kim, Sinjae Kang, Fangchen Liu, Lerrel Pinto, Kimin Lee
分類: cs.RO, cs.LG
原文アブストラクト
Learning from demonstrations has emerged as a promising paradigm for end-to-end robot control, particularly when scaled to diverse and large datasets. However, the quality of demonstration data, often collected through human teleoperation, remains a critical bottleneck for effective data-driven robot learning. Human errors, operational constraints, and teleoperator variability introduce noise and suboptimal behaviors, making data curation essential yet largely manual and heuristic-driven. In this work, we propose Quality over Quantity (QoQ), a grounded and systematic approach to identifying high-quality data by defining data quality as the contribution of each training sample to reducing loss on validation demonstrations. To efficiently estimate this contribution, we leverage influence functions, which quantify the impact of individual training samples on model performance. We further introduce two key techniques to adapt influence functions for robot demonstrations: (i) using maximum influence across validation samples to capture the most relevant state-action pairs, and (ii) aggregating influence scores of state-action pairs within the same trajectory to reduce noise and improve data coverage. Experiments in both simulated and real-world settings show that QoQ consistently improves policy performances over prior data selection methods.
関連論文
- ロングテールな人間データキュレーションのための品質フィルタ監査データキュレーション
- ATHENA: ロボットデータキュレーションのための高速マルチタスク異種影響関数データキュレーション
- 実際に測定できる多様性：ロボットデータセットのための高速でモデルフリーな多様性指標データキュレーション
- ROSER: ロボット学習のスケーラビリティを実現する数ショットロボットシーケンス検索データキュレーション
- Semantic-Drive: オープンボキャブラリ接地とニューロシンボリックVLM合意によるロングテールデータキュレーションの民主化データキュレーション
- OpenGVL：データキュレーションのための視覚的時間進捗ベンチマークデータキュレーション
