日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2603.12868

模倣を超えて:適応的拡散ナビゲーションポリシーのための強化学習ファインチューニング

Beyond Imitation: Reinforcement Learning Fine-Tuning for Adaptive Diffusion Navigation Policies

シェア:XThreadsFacebookLINEはてブBluesky

拡散ベースのナビゲーションポリシーを強化学習(GRPO)でファインチューニングし、オフラインデータの限界を超えて未見環境での成功率と経路効率を向上させた。

詳しい要約

1. どんなもの?

- 拡散モデルベースのロボットナビゲーションポリシーを強化学習でファインチューニングするフレームワーク。 - 大規模模倣学習で訓練された拡散ポリシーは、視覚観測から直接多様な軌道を生成し、ゼロショット汎化を達成。 - しかしオフラインデータセットのカバレッジに制約され、未知環境での分布シフトにより軌道誤差や安全上の失敗が生じる。 - 提案手法は拡散モデルの多軌道サンプリングを活用し、GRPOで相対アドバンテージを推定。 - 視覚エンコーダを凍結し、デコーダ上位層とアクションヘッドを選択的に更新。 - PointGoalタスクで成功率とSPLを改善し、衝突頻度を低減。

2. 先行研究と比べてどこがすごい?

- 従来の拡散ナビゲーションポリシーは模倣学習のみで、オフラインデータのカバレッジに性能が制限される。 - 強化学習による適応は、反復的デノイジング構造が勾配逆伝播を妨げ、価値ネットワークの訓練が計算コスト高で不安定。 - 提案手法はGRPOを採用し、価値ネットワーク不要で相対アドバンテージを推定。 - これにより拡散ポリシーの強化学習ファインチューニングを効率的かつ安定に実現。 - 事前学習表現を保持しつつ、安全志向の行動をオンラインフィードバックで強化。

3. 技術・手法の肝は?

- 拡散モデルの多軌道サンプリング機構を利用し、複数軌道を生成。 - Group Relative Policy Optimization (GRPO) を適用し、サンプル軌道間の相対アドバンテージを推定。 - 別途価値ネットワークを必要としないため、計算コストと不安定性を回避。 - 視覚エンコーダを凍結し、デコーダの上位層とアクションヘッドのみを選択的に更新。 - これにより事前学習表現を保持しつつ、オンライン環境フィードバックで適応。 - 安全意識の高い行動を強化。

4. どうやって有効だと検証した?

- Isaac Sim上のPointGoalタスクで評価。 - 未見シーンにおいて成功率が52.0%から58.7%に向上、SPLが0.49から0.54に改善。 - 衝突頻度も低減。 - 追加実験でファインチューニング済みポリシーが実機四足歩行ロボットにゼロショット転移。 - 幾何学的に分布外の環境でも安定した性能を維持。 - 新領域への適応性と安全な汎化が示唆される。

5. 議論はある?

- 要旨からは、手法の限界や失敗事例、計算コストの詳細、ハイパーパラメータ感度についての議論は不明。 - 実機転移の具体的な設定や評価指標の詳細も不明。 - 分布外環境の定義や範囲も明示されていない。 - 今後の課題として、より多様なタスクへの適用や長期安定性の検証が考えられるが、要旨では言及されていない。

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 Policy、Group Relative Policy Optimization (GRPO)、模倣学習ベースのナビゲーション、強化学習ファインチューニングが挙げられる。 - 同分野の定番として、DDPM、PPO、SAC、Vision-Language Navigation (VLN) 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: Junhe Sheng, Ruofei Bai, Kuan Xu, Ruimeng Liu, Jie Chen, Shenghai Yuan, Wei-Yun Yau, Lihua Xie

分類: cs.RO

原文アブストラクト

Diffusion-based robot navigation policies trained on large-scale imitation learning datasets, can generate multi-modal trajectories directly from the robot's visual observations, bypassing the traditional localization-mapping-planning pipeline and achieving strong zero-shot generalization. However, their performance remains constrained by the coverage of offline datasets, and when deployed in unseen settings, distribution shift often leads to accumulated trajectory errors and safety-critical failures. Adapting diffusion policies with reinforcement learning is challenging because their iterative denoising structure hinders effective gradient backpropagation, while also making the training of an additional value network computationally expensive and less stable. To address these issues, we propose a reinforcement learning fine-tuning framework tailored for diffusion-based navigation. The method leverages the inherent multi-trajectory sampling mechanism of diffusion models and adopts Group Relative Policy Optimization (GRPO), which estimates relative advantages across sampled trajectories without requiring a separate value network. To preserve pretrained representations while enabling adaptation, we freeze the visual encoder and selectively update the higher decoder layers and action head, enhancing safety-aware behaviors through online environmental feedback. On the PointGoal task in Isaac Sim, our approach improves the Success Rate from 52.0% to 58.7% and SPL from 0.49 to 0.54 on unseen scenes, while reducing collision frequency. Additional experiments show that the fine-tuned policy transfers zero-shot to a real quadruped platform and maintains stable performance in geometrically out-of-distribution environments, suggesting improved adaptability and safe generalization to new domains.

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