日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

逆強化学習arXiv:2605.26998

確率的リカレント意図切替モデル

Probabilistic Recurrent Intention Switching Model

シェア:XThreadsFacebookLINEはてブBluesky

逆強化学習において、エピソード内の目標切替を捉えるため、リカレントネットワークで観測履歴から意図分布を推定する新しいモデルを提案し、EMアルゴリズムが閉形式で解けることを示した。ロボット操作データを含む複数環境で評価し、高い尤度と解釈可能な意図抽出を実現した。

詳しい要約

1. どんなもの?

- 提案手法: Probabilistic Recurrent Intention Switching Model (PRISM) - 目的: 逆強化学習 (IRL) において、エピソード内の目標切り替えを捉える - 特徴: 軽量なリカレントネットワークで観測履歴から各ステップの意図分布を推定 - 従来のマルコフ連鎖や固定履歴ウィンドウを置き換え - 応用: 非マルコフ格子世界、マウス迷路、BridgeData V2 ロボット操作 - 結果: 保持対数尤度が最高で、名前付け可能で時間的に一貫した意図を復元

2. 先行研究と比べてどこがすごい?

- 従来のIRL: 単一の定常報酬を仮定し、エピソード内の目標切り替えを捉えられない - 最近のマルチ意図IRL: 軌跡をセグメント化するが、意図遷移をメモリレスマルコフ連鎖または手動の状態拡張(固定履歴ウィンドウ)でモデル化 - PRISM: 両メカニズムを軽量リカレントネットワークに置き換え、観測履歴から各ステップの意図分布をマッピング - 利点: EM目的関数が独立した意図ごとの報酬部分問題に正確に分解され、閉形式で解ける - 効率: 変分近似なしで O(nK) のEステップを実現

3. 技術・手法の肝は?

- 軽量リカレントネットワーク: 観測履歴を各ステップの意図分布にマッピング - EMアルゴリズム: 意図分布を潜在変数として報酬関数を学習 - 理論的証明: EM目的関数が独立した意図ごとの報酬部分問題に正確に分解 - 各部分問題は閉形式で解ける - Eステップの計算量: O(nK)(nはデータ数、Kは意図数) - 変分近似不要

4. どうやって有効だと検証した?

- 評価設定: 非マルコフ格子世界、マウス迷路、BridgeData V2 ロボット操作 - 比較: 保持対数尤度で最高性能を達成 - 定性評価: ラベルなしデモンストレーションから名前付け可能で時間的に一貫した意図を復元 - 示唆: 生物学的および人工エージェントの両方に離散的な目標切り替えが存在

5. 議論はある?

- 要旨からは不明(議論の詳細は記載なし) - 示唆: 離散的な目標切り替えが生物学的および人工エージェントに存在する可能性

6. 次に読むべき論文は?

- マルチ意図IRLの先行研究(メモリレスマルコフ連鎖や固定履歴ウィンドウを用いる手法) - 逆強化学習 (IRL) の従来手法 - BridgeData V2 を用いたロボット操作研究 - 非マルコフ格子世界やマウス迷路を用いた研究

※ 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: Wenyuan Sheng, Hao Zhu, Joschka Boedecker

分類: cs.LG, q-bio.NC

原文アブストラクト

Inverse reinforcement learning (IRL) recovers reward functions from observed behavior, yet traditional methods assume a single stationary reward that cannot capture goal switching within an episode. Recent multi-intention IRL methods address this by segmenting trajectories, but model intention transitions as either a memoryless Markov chain or via manual state augmentation with a fixed history window. We propose the Probabilistic Recurrent Intention Switching Model (PRISM), which replaces both mechanisms with a lightweight recurrent network that maps observation history to a per-step intention distribution. We prove that the resulting EM objective decomposes exactly into independent per-intention reward subproblems, each solvable in closed form, yielding an $\mathcal{O}(nK)$ E-step with no variational approximation. We evaluate PRISM on a non-Markovian gridworld, a mouse labyrinth, and BridgeData~V2 robotic manipulation, the first large-scale robotic application of multi-intention IRL. Across all settings PRISM achieves the highest held-out log-likelihood while recovering nameable, temporally coherent intentions from unlabeled demonstrations, suggesting that discrete goal switching is present in both biological and artificial agents.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI