日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ヒューマノイド操作/VLA/強化学習arXiv:2606.17011

ROVE: 強化学習によるヒューマノイド操作のための人間介入の活用

ROVE: Unlocking Human Interventions for Humanoid Manipulation via Reinforcement Learning

シェア:XThreadsFacebookLINEはてブBluesky

不完全な人間介入データを用いてヒューマノイドVLAモデルを強化学習で訓練するフレームワークROVEを提案。楽観的価値推定とクロスエンボディ映像を活用し、高価値な行動を優先学習することで実世界の接触を伴う操作タスクで性能を向上させた。

詳しい要約

1. どんなもの?

- ヒューマノイド操作のためのVLAモデル後訓練フレームワークROVEを提案。 - 不完全な人間介入を強化学習で活用し、全身運動と巧みな手制御を可能にする。 - 実世界の接触豊富・細粒度タスクで性能向上を実証。

2. 先行研究と比べてどこがすごい?

- 従来は人間介入を専門家監督として扱い、ためらいや非効率・誤りを吸収する問題があった。 - ROVEは不完全な介入から高価値行動を優先し、経験学習ベースラインを上回る。 - 複数回のロールアウト・介入反復で一貫した改善を示す。

3. 技術・手法の肝は?

- 人間参加型パイプラインで展開・介入データを収集。 - Optimistic Value Estimation (OVE)で混合品質軌跡から高価値行動を優先。 - クロスエンボディメント人間経験動画を活用し、長尾失敗・回復モードの価値推定を強化。 - 得られたcriticが情報豊富なadvantage信号を生成し、VLA actorを高価値行動に誘導。

4. どうやって有効だと検証した?

- 実世界の接触豊富・細粒度ヒューマノイド操作タスクで評価。 - 経験学習ベースラインと比較し、ROVEが優位。 - 複数のロールアウト・介入反復で一貫した性能改善を確認。

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や関連手法は明示されていない。 - 同分野の定番としてVision-Language-Action (VLA)モデル、強化学習、人間参加型学習、クロスエンボディメント学習が挙げられる。

※ 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: Wei Xiao, Weiliang Tang, Yuying Ge, Hui Zhou, Yao Mu, Li Zhang, Yixiao Ge

分類: cs.RO, cs.LG

原文アブストラクト

Human interventions provide crucial corrective signals for post-training Vision-Language-Action (VLA) models. However, enabling seamless humanoid interventions is a formidable systems challenge due to complex whole-body kinematics and dexterous-hand control. Consequently, the collected intervention trajectories are often suboptimal, and methods that rely on human interventions as expert supervision can absorb hesitant, inefficient, or even erroneous behaviors. To address both the system and algorithmic challenges, we propose ROVE, a reinforcement learning framework for humanoid VLA post-training with imperfect human interventions. First, ROVE introduces a human-in-the-loop pipeline capable of collecting deployment and intervention data for humanoid manipulation. Second, it utilizes Optimistic Value Estimation (OVE) to prioritize high-value behaviors from mixed-quality trajectories. To further robustify value estimation, we incorporate cross-embodiment human experience videos to provide rich supervision for long-tailed failure and recovery modes. The resulting critic yields informative advantage signals, steering the VLA actor to focus on high-value behaviors rather than indiscriminately imitating all actions. On challenging real-world contact-rich and fine-grained humanoid manipulation tasks, ROVE outperforms experience-learning baselines and consistently improves across multiple rollout-intervention iterations.

  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