日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

強化学習arXiv:2603.11470

NFPO: 正規化フローによるロボットポリシー学習の安定化ポリシー最適化

NFPO: Stabilized Policy Optimization of Normalizing Flow for Robotic Policy Learning

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの強化学習で、多峰性分布を表現できる正規化フローをポリシーとして用いる際の訓練不安定性を分析し、簡単な手法で安定化させて性能を向上させた。

詳しい要約

1. どんなもの?

- ロボティクス政策学習のためのNormalizing Flow (NF) を用いた政策最適化手法NFPOを提案。 - 従来の多変量ガウス分布では困難なマルチモーダル分布をモデル化可能。 - オンライン強化学習 (RL) におけるNFの訓練不安定性を分析し、簡単な技術で解決。 - 複数のシミュレーション環境で実験し、実世界ロボットへの転移に成功。

2. 先行研究と比べてどこがすごい?

- 従来の政策パラメータ化は多変量ガウス分布(対角共分散行列)が主流で、マルチモーダル分布をモデル化できなかった。 - NFはマルチモーダルモデリング能力、対数確率の閉形式、低計算・メモリオーバーヘッドを持つが、オンラインRLでの訓練が不安定だった。 - NFPOはこの不安定性を解決し、堅牢で強い性能を実現。

3. 技術・手法の肝は?

- Normalizing Flow (NF) を政策パラメータ化に採用。 - オンラインRLでのNF訓練不安定性の詳細分析。 - 簡単だが効果的な技術で不安定性を解決。 - 具体的な技術内容は要旨からは不明。

4. どうやって有効だと検証した?

- 複数のシミュレーション環境で広く使われるロボティクス学習タスクを実験。 - 堅牢で強い性能を獲得。 - 実世界ロボットへの転移に成功。

5. 議論はある?

- オンラインRLにおけるNFの訓練不安定性の分析と解決が議論の中心。 - 具体的な議論の詳細は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法としてNormalizing Flow (NF)、Deep Reinforcement Learning (DRL)、多変量ガウス分布政策が挙げられる。 - 同分野の定番としてSoft Actor-Critic (SAC) やProximal Policy Optimization (PPO) などが考えられるが、要旨に記載なし。

※ 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: Diyuan Shi, Yiqi Tang, Zifeng Zhuang, Donglin Wang

分類: cs.RO

原文アブストラクト

Deep Reinforcement Learning (DRL) has experienced significant advancements in recent years and has been widely used in many fields. In DRL-based robotic policy learning, however, current de facto policy parameterization is still multivariate Gaussian (with diagonal covariance matrix), which lacks the ability to model multi-modal distribution. In this work, we explore the adoption of a modern network architecture, i.e. Normalizing Flow (NF) as the policy parameterization for its ability of multi-modal modeling, closed form of log probability and low computation and memory overhead. However, naively training NF in online Reinforcement Learning (RL) usually leads to training instability. We provide a detailed analysis for this phenomenon and successfully address it via simple but effective technique. With extensive experiments in multiple simulation environments, we show our method, NFPO could obtain robust and strong performance in widely used robotic learning tasks and successfully transfer into real-world robots.

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