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/制御arXiv:2606.16572

生成的強化学習を安定したロボット制御へ導く

Steering Generative Reinforcement Learning into Stable Robotic Controller

シェア:XThreadsFacebookLINEはてブBluesky

拡散・フローベースの生成的方策を学習し、その確率的な潜在変数サンプリングを決定的な潜在アクターに置き換えることで、探索と制御を分離し、安定かつ高精度なロボット制御を実現するフレームワークを提案した。

詳しい要約

1. どんなもの?

- 拡散モデルやフローベースの生成ポリシーを強化学習に用いる手法。 - 反復的な行動生成により豊かな確率的探索を実現するが、高次元ロボット制御では不安定。 - 提案手法SteerGenPOは、学習済み生成ポリシーを潜在空間で操舵し、決定論的で堅牢なロボットコントローラに変換する。 - 探索と制御を分離し、学習時は確率的生成サンプリング、展開時は決定論的潜在操舵を提供。

2. 先行研究と比べてどこがすごい?

- 従来の拡散ポリシーは確率的サンプリングに依存し、高次元制御では不安定で精度が低い。 - SteerGenPOは学習済み生成ポリシーの潜在入力を状態依存で予測する学習済みアクターに置き換え、決定論的制御を実現。 - 古典的RLおよび生成的RLベースラインと比較して、6つのIsaac LabベンチマークとUnitree G1移動タスクで性能向上。 - 決定論的潜在操舵により、推論時の挙動がより安定し、コマンド応答が信頼性向上。

3. 技術・手法の肝は?

- 学習済み生成ポリシーの確率的潜在サンプリングを、学習済み潜在アクターに置き換える。 - 潜在アクターは状態に依存した潜在入力を生成ポリシーに供給する。 - これにより、学習時は生成サンプリングによる多様な行動提案を維持しつつ、展開時は決定論的で適応的な制御を実現。 - 探索と制御を分離する枠組み。

4. どうやって有効だと検証した?

- 6つのIsaac LabベンチマークとUnitree G1移動タスクで評価。 - 古典的RLおよび生成的RLベースラインと比較し、SteerGenPOが性能向上を示す。 - 決定論的潜在操舵が推論時の挙動をより安定させ、コマンド応答の信頼性を高めることを確認。

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:Diffusion policies、flow-based generative policies、classical RL、generative RL baselines。 - 関連手法:Isaac Lab benchmarks、Unitree G1 locomotion task。

※ 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: Yixuan Wang, Shutong Ding, Ke Hu, Tianxiang Gui, Jingya Wang, Ye Shi

分類: cs.RO

原文アブストラクト

Diffusion and flow-based generative policies provide a powerful policy class for reinforcement learning by inducing rich stochastic exploration through iterative action generation. However, the stochasticity of diffusion policies is not suitable for stable and precise control in high-dimensional robotic systems, where small action variations can accumulate into inconsistent motion and reduced robustness. To address this issue, we propose SteerGenPO, a latent-space reinforcement learning framework that steers a trained generative policy into a robust deterministic robotic controller. The key idea is to replace stochastic latent sampling of the trained generative policy with a learned latent actor that predicts a state-dependent latent input for the generative policies. This separates exploration and control: stochastic generative sampling provides diverse action proposals during policy learning, while deterministic latent steering provides stable and adaptive control at deployment. We evaluate SteerGenPO on six Isaac Lab benchmarks and a Unitree G1 locomotion task. The results show SteerGenPO improves over both classical RL and generative RL baselines, while its deterministic latent steering produces more stable inference-time behaviors and more reliable command responses.

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