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/VLAarXiv:2605.00416

配備しながら学習:汎用ロボットポリシーのためのフリート規模強化学習

Learning While Deploying: Fleet-Scale Reinforcement Learning for Generalist Robot Policies

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みのVLAポリシーを、ロボットフリートからの実データで継続的に強化学習し、配備中に性能を向上させるフレームワークを提案。16台の二腕ロボットで95%の成功率を達成。

詳しい要約

1. どんなもの?

- 展開中のロボット群から得られる自律ロールアウトと人間介入を活用し、汎用VLAポリシーを継続的に事後学習するfleet-scaleなoffline-to-online強化学習フレームワークLWDを提案。 - 展開・共有経験・ポリシー改善・再展開のループを閉じ、単一の汎用ポリシーが経験蓄積とともに向上。 - 16台のdual-armロボット、8つの実世界manipulationタスクで検証。

2. 先行研究と比べてどこがすごい?

- 従来の大規模事前学習やofflineデータのみでは、distribution shifts、long-tail failures、task variations、human correction opportunitiesを捉えきれない。 - LWDは展開中のfleetデータを継続学習に用い、offline-to-onlineで汎用VLAポリシーを改善する点が異なる。 - 異種・sparse-rewardなfleetデータから安定学習するためDIVLとQAMを組み合わせる。

3. 技術・手法の肝は?

- 事前学習済みVLAポリシーを起点に、fleet全体で収集した自律rolloutとhuman interventionを共有経験として利用。 - 安定した価値推定のためDistributional Implicit Value Learning (DIVL)を採用。 - flow-based VLA action generatorsにおけるポリシー抽出にQ-learning via Adjoint Matching (QAM)を用いる。

4. どうやって有効だと検証した?

- 16台のdual-armロボットfleetで8つの実世界manipulationタスクを検証。 - semantic grocery restockingや3–5分のlong-horizonタスクを含む。 - 単一の汎用ポリシーがfleet経験の蓄積に伴い改善し、平均成功率95%に到達。long-horizonタスクで最大の向上。

5. 議論はある?

- 要旨からは、限界や失敗事例、計算コスト、安全性、人間介入の頻度などの議論は不明。 - 異種・sparse-rewardなfleetデータからの安定学習が課題として示唆されるが、詳細な議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として、Vision-Language-Action (VLA) policies、offline-to-online reinforcement learning、Distributional Implicit Value Learning (DIVL)、Q-learning via Adjoint Matching (QAM)、flow-based action generatorsが挙げられる。 - 同分野の定番として、generalist robot policies、large-scale pretraining、human-in-the-loop learning、long-horizon manipulationに関する研究が次に読むべき候補。

※ 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: Yi Wang, Xinchen Li, Pengwei Xie, Pu Yang, Buqing Nie, Yunuo Cai, Qinglin Zhang, Chendi Qu, Jeffrey Wu, Jianheng Song, Xinlin Ren, Jingshun Huang, Mingjie Pan, Siyuan Feng, Zhi Chen, Jianlan Luo

分類: cs.RO

原文アブストラクト

Generalist robot policies increasingly benefit from large-scale pretraining, but offline data alone is insufficient for robust real-world deployment. Deployed robots encounter distribution shifts, long-tail failures, task variations, and human correction opportunities that fixed demonstration datasets cannot fully capture. We present Learning While Deploying (LWD), a fleet-scale offline-to-online reinforcement learning framework for continual post-training of generalist Vision-Language-Action (VLA) policies. Starting from a pretrained VLA policy, LWD closes the loop between deployment, shared physical experience, policy improvement, and redeployment by using autonomous rollouts and human interventions collected across a robot fleet. To stabilize learning from heterogeneous, sparse-reward fleet data, LWD combines Distributional Implicit Value Learning (DIVL) for robust value estimation with Q-learning via Adjoint Matching (QAM) for policy extraction in flow-based VLA action generators. We validate LWD on a fleet of 16 dual-arm robots across eight real-world manipulation tasks, including semantic grocery restocking and 3--5 minute long-horizon tasks. A single generalist policy improves as fleet experience accumulates, reaching an average success rate of 95%, with the largest gains on long-horizon tasks.

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