日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

操作arXiv:2605.20856

DISC: 指示を状態条件付き制御から分離するポリシー生成

DISC: Decoupling Instruction from State-Conditioned Control via Policy Generation

シェア:XThreadsFacebookLINEはてブBluesky

言語条件付き操作ポリシーにおいて、指示と観測を共有パラメータで処理することで生じる観測リークを、ハイパーネットワークで指示からポリシー全体を生成することで構造的に排除し、性能を向上させた。

詳しい要約

1. どんなもの?

言語条件付き操作ポリシーにおける「観測リーク」を構造的に排除する手法 DISC を提案する。 - 従来は instruction と observation を共有パラメータで処理し、scene-to-action shortcut が言語接地を迂回し得た。 - DISC は hypernetwork により instruction のみから task-specific visuomotor policy の全パラメータを生成する。 - 生成ポリシーは言語に直接アクセスしないため、task-awareness は言語由来にならざるを得ない。 - 結果として observation leakage の経路が構造的に存在しなくなる。

2. 先行研究と比べてどこがすごい?

従来の entangled な言語条件付きポリシーと比べ、観測リークを構造的に防ぐ点が新しい。 - LIBERO-90 と Meta-World で全ての entangled baseline を上回る。 - 複雑で long-horizon なタスクほど優位性が拡大する。 - 外部 pretraining データなしで、大規模 pretrained π0 を上回る。 - 全タスクが同一視覚文脈を共有する実世界ベンチマークでも entangled 代替手法を大幅に上回る。

3. 技術・手法の肝は?

instruction からタスク特化 visuomotor policy の全パラメータを hypernetwork で生成する。 - 生成ポリシーは言語に直接アクセスせず、task-awareness を言語に依存させる。 - 高次元ポリシー重みの生成は難しく、二段階 hypernetwork で対処する。 - refinement stage に gradient-based optimization の構造を feed-forward inductive bias として埋め込み、実際の勾配計算なしで大域的に一貫したパラメータを生成する。 - 標準データ予算でゼロから学習する。

4. どうやって有効だと検証した?

LIBERO-90 と Meta-World で評価し、entangled baseline と比較した。 - 複雑・long-horizon タスクで優位性が拡大することを確認。 - 外部 pretraining データなしで π0 を上回ることを示した。 - 全タスクが同一視覚文脈を共有する実世界ベンチマークで、言語生成ポリシーパラメータが行動を駆動することを直接確認した。 - hypernetwork が意味的に構造化された parameter manifold を学習し、最小デモからの few-shot 適応と paraphrased instruction への頑健な汎化を可能にすることを示した。

5. 議論はある?

要旨からは不明。 - 観測リークの構造的排除と性能向上は主張されているが、限界や失敗事例、計算コスト、hypernetwork のスケーラビリティに関する議論は要旨に記載がない。

6. 次に読むべき論文は?

要旨で参照・比較されている研究として π0、LIBERO-90、Meta-World が挙げられる。 - 関連手法として hypernetwork、language-conditioned manipulation policy、visuomotor policy、gradient-based optimization を feed-forward に埋め込む手法が挙げられる。 - 同分野の定番として behavior cloning、imitation learning、transformer-based policy も次に読む候補となる。

※ 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: Hanxiang Ren, Pei Zhou, Xunzhe Zhou, Yanchao Yang

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Language-conditioned manipulation policies typically process instructions and observations through shared network parameters. This task-state entanglement provides a pathway for observation leakage -- networks learn scene-to-action shortcuts that bypass language grounding entirely. DISC eliminates this failure structurally. Rather than conditioning a universal policy on language, DISC uses a hypernetwork to generate the entire parameter set of a task-specific visuomotor policy from the instruction alone. The generated policy never directly accesses language; therefore, its task-awareness must come from the language. Consequently, observation leakage has no pathway to emerge. On the other hand, generating coherent high-dimensional policy weights is itself a challenging problem. We address it with a two-stage hypernetwork whose refinement stage embeds the structure of gradient-based optimization as a feed-forward inductive bias, producing globally consistent parameters without actual gradient computation. Trained entirely from scratch on standard data budgets, DISC outperforms all entangled baselines on LIBERO-90 and Meta-World, with advantages that widen on complex, long-horizon tasks -- and surpasses the large-scale pretrained $\pi_0$ despite using no external pretraining data. On a real-world benchmark where all tasks share identical visual context, DISC substantially outperforms entangled alternatives, directly confirming that language-generated policy parameters, not visual shortcuts, drive behavior. The hypernetwork further learns a semantically structured parameter manifold that enables few-shot adaptation from minimal demonstrations and robust generalization across paraphrased instructions. Our code is available at: {https://github.com/ReNginx/DISC}.

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. 2newmo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
  3. 3GXO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
  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI