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:2603.16065

大規模報酬モデル:視覚言語モデルによる汎用的なオンラインロボット報酬生成

Large Reward Models: Generalizable Online Robot Reward Generation with Vision-Language Models

シェア:XThreadsFacebookLINEはてブBluesky

ロボット操作の強化学習において、視覚言語モデルをオンライン報酬生成器として活用し、模倣学習で初期化した方策を少数の反復で改善する枠組みを提案した。

詳しい要約

1. どんなもの?

- ロボットマニピュレーションのRLにおける報酬設計の困難さを解決するため、foundation VLMをオンライン報酬生成器に適応させるフレームワークを提案。 - 大規模マルチソースデータセット(実世界ロボット軌道、人間-物体相互作用、多様なシミュレーション環境)で訓練された堅牢でスケーラブルな報酬モデルを開発。 - 現在の視覚観測に基づき、process, completion, temporal contrastive rewardsからなる多面的な報酬信号をVLMで定式化。 - Imitation Learning (IL)で訓練されたベースポリシーを初期化し、VLM報酬で閉ループ的にサブ最適行動を修正。 - 長期的マニピュレーションベンチマークで評価し、ゼロショットで動作。

2. 先行研究と比べてどこがすごい?

- 従来手法は軌道全体を事後評価するのに対し、本手法は現在の視覚観測に基づきオンラインで報酬を生成。 - 手動報酬設計を排除し、VLM生成信号で実行エラーを解決可能。 - 30 RL反復という高いサンプル効率でILポリシーの成功率を大幅改善。 - テスト環境で純粋にゼロショット動作する点が先行研究と異なる。

3. 技術・手法の肝は?

- foundation VLMをオンライン報酬生成器に適応。 - 大規模マルチソースデータセットで報酬モデルを訓練。 - 現在の視覚観測からprocess, completion, temporal contrastive rewardsを生成。 - ILで訓練したベースポリシーを初期化し、VLM報酬で閉ループ的にサブ最適行動を修正。 - 長期的マニピュレーションタスクでゼロショット評価。

4. どうやって有効だと検証した?

- 挑戦的な長期的マニピュレーションベンチマーク(逐次実行と精密制御が必要)で評価。 - 報酬モデルはテスト環境で純粋にゼロショット動作。 - 実験結果、30 RL反復以内で初期ILポリシーの成功率を大幅改善し、高いサンプル効率を実証。 - VLM生成信号が実行エラー解決に信頼できるフィードバックを提供することを示す。

5. 議論はある?

- 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。同分野の定番として、Imitation Learning (IL)、Reinforcement Learning (RL)、Vision-Language Models (VLM) を用いたロボットマニピュレーション関連の論文が挙げられる。

※ 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: Yanru Wu, Weiduo Yuan, Ang Qi, Vitor Guizilini, Jiageng Mao, Yue Wang

分類: cs.RO, cs.AI

原文アブストラクト

Reinforcement Learning (RL) has shown great potential in refining robotic manipulation policies, yet its efficacy remains strongly bottlenecked by the difficulty of designing generalizable reward functions. In this paper, we propose a framework for online policy refinement by adapting foundation VLMs into online reward generators. We develop a robust, scalable reward model based on a state-of-the-art VLM, trained on a large-scale, multi-source dataset encompassing real-world robot trajectories, human-object interactions, and diverse simulated environments. Unlike prior approaches that evaluate entire trajectories post-hoc, our method leverages the VLM to formulate a multifaceted reward signal comprising process, completion, and temporal contrastive rewards based on current visual observations. Initializing with a base policy trained via Imitation Learning (IL), we employ these VLM rewards to guide the model to correct sub-optimal behaviors in a closed-loop manner. We evaluate our framework on challenging long-horizon manipulation benchmarks requiring sequential execution and precise control. Crucially, our reward model operates in a purely zero-shot manner within these test environments. Experimental results demonstrate that our method significantly improves the success rate of the initial IL policy within just 30 RL iterations, demonstrating remarkable sample efficiency. This empirical evidence highlights that VLM-generated signals can provide reliable feedback to resolve execution errors, effectively eliminating the need for manual reward engineering and facilitating efficient online refinement for robot learning.

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