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/適応arXiv:2606.02280

動力学は教えられるものではなく学習されるもの:潜在動力学幾何の半教師あり発見によるゼロショット方針適応

Dynamics Are Learned, Not Told: Semi-Supervised Discovery of Latent Dynamics Geometries For Zero-Shot Policy Adaptation

シェア:XThreadsFacebookLINEはてブBluesky

ロボット強化学習において、環境の動力学変化に頑健に適応するため、物理パラメータを明示せずに相互作用の結果から潜在空間の幾何構造を学習する手法を提案し、MuJoCoベンチマークで既存手法を上回る性能を示した。

詳しい要約

1. どんなもの?

本論文は、ロボティクスにおける強化学習の動力学適応問題に対し、outcome-centricな視点からlatent dynamics geometryを半教師ありで学習する手法を提案する。既存のparameter-centricな手法が明示的な物理パラメータのエンコードに依存し、未モデル化や複合的な動力学変化に脆弱であるのに対し、動力学が相互作用結果にどう影響するかを学習させる。理論的にはtarget-domain regretとtrajectory dynamics encoderのLipschitz定数の単調関係に基づき、contrastive learningでこの定数を上界することで、特権的な動力学情報なしに滑らかでタスク関連なlatent topologyを得る。MuJoCoベンチマークでparameter-centricベースラインを上回り、分布内安定性とlatent解釈性も向上させる。

2. 先行研究と比べてどこがすごい?

先行研究の多くは、明示的に同定された物理パラメータをlatent contextにエンコードするparameter-centricパラダイムを採用しており、事前に指定された変動軸に依存し、未モデル化または複合的な動力学変化の下で脆くなる。本手法はoutcome-centricな視点に立ち、動力学が相互作用結果に与える影響を学習させることで、特権的な動力学情報を必要とせず、深刻な動力学シフト(未モデル化・時変パラメータを含む)下で一貫して優れた性能を示す。また、分布内安定性とlatent解釈性も改善する点がすごい。

3. 技術・手法の肝は?

技術の肝は、target-domain regretとtrajectory dynamics encoderのLipschitz定数の間の単調関係という理論的根拠に基づき、contrastive learningによってこのLipschitz定数を上界することである。これにより、特権的な動力学情報なしに、滑らかでタスク関連なlatent topologyを学習する。つまり、動力学を『教える』のではなく、動力学が相互作用結果にどう影響するかを『学習』させる半教師ありの潜在動力学幾何学の発見手法である。

4. どうやって有効だと検証した?

MuJoCoベンチマーク上で検証を行い、深刻な動力学シフト(未モデル化および時変パラメータを含む)の下でparameter-centricベースラインを一貫して上回ることを示した。さらに、分布内安定性とlatent解釈性の向上も確認した。これらの結果から、latent geometryの制御がロバスト適応のための原理的メカニズムであることが検証された。

5. 議論はある?

本論文では、parameter-centricパラダイムが事前指定された変動軸に依存し、未モデル化や複合的な動力学変化に対して脆いという問題を議論している。また、target-domain regretとLipschitz定数の単調関係に基づく理論的枠組みを提示し、contrastive learningによる上界が有効であることを議論している。ただし、具体的な限界や今後の課題については要旨からは不明である。

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、parameter-centricな動力学適応手法(明示的な物理パラメータをlatent contextにエンコードするベースライン)が挙げられる。また、contrastive learningやLipschitz連続性に基づく表現学習、MuJoCoベンチマークを用いた強化学習の動力学適応研究が関連する。具体的な論文名は要旨からは不明なため、同分野の定番としてparameter-centricなcontext-based meta-RLやdomain randomizationの研究を次に読むべきである。

※ 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: Zhiming Xu, Weitao Zhou, Xianghui Pan, Nanshan Deng, Chengju Liu, Qijun Chen, Chenpeng Yao

分類: cs.RO

原文アブストラクト

Real-world dynamics shifts pose a critical challenge for reinforcement learning in robotics, as policies tightly coupled to nominal environments often fail catastrophically when physical conditions change. Most existing methods rely on encoding explicitly identified physical parameters into a latent context, a parameter-centric paradigm that depends on pre-specified axes of variation and becomes brittle under unmodeled or compound dynamics changes. We revisit dynamics adaptation from an outcome-centric perspective: rather than telling policies what the dynamics are, we enable them to learn how dynamics affect interaction outcomes. Theoretically, this is grounded in a monotonic relationship between target-domain regret and the Lipschitz constant of a trajectory dynamics encoder. Practically, this constant can be upper-bounded through contrastive learning, yielding a smooth, task-relevant latent topology without privileged dynamics information. On MuJoCo benchmarks, our method consistently outperforms parameter-centric baselines under severe dynamics shifts, including unmodeled and time-varying parameters, while also improving in-distribution stability and latent interpretability. Overall, these results validate that controlling latent geometry is a principled mechanism for robust adaptation.

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

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