日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

メタ強化学習arXiv:2606.18132

メタ強化学習における知識再利用フレームワーク

Knowledge Reutilization in Meta-Reinforcement Learning

シェア:XThreadsFacebookLINEはてブBluesky

メタ強化学習で、単純化したエージェントで学習したタスク知識を異なる形態のエージェントに転移するフレームワークを提案し、追従誤差を大幅削減しデータ効率を向上させた。

詳しい要約

1. どんなもの?

- メタ強化学習の枠組みで、タスク知識を再利用する手法を提案。 - 動力学を簡略化したエージェントでタスクレベルの知識を学習し、異なる身体を持つエージェントに転移。 - Bayesian non-parametric priorで潜在タスクモードを組織化し、high-level policyでタスクレベルの大きさガイダンスを生成。 - semantic-magnitude interfaceとlightweight temporal adaptorで、凍結したメタ知識を時間的に整合したsubgoalに変換し、身体固有のlow-level controllerに渡す。

2. 先行研究と比べてどこがすごい?

- 既存のend-to-end手法はタスク推論と身体固有の制御を結合し、非パラメトリックなタスク意味を不明瞭にし、サンプル効率を低下させ、エージェント間の再利用を制限。 - 提案手法はタスク知識を身体から分離して学習・転移することで、これらの問題を解決。 - 複数のlocomotionエージェントで、最近のstate-of-the-artベースラインと比較して最終ステップの追従誤差を94.75%~99.79%削減。 - 約23.8%のインタラクションデータで同等の展開性能を達成。

3. 技術・手法の肝は?

- Bayesian non-parametric priorを用いて潜在タスクモードを組織化。 - high-level policyがタスクレベルの大きさガイダンスを生成。 - semantic-magnitude interfaceとlightweight temporal adaptorを導入し、凍結したメタ知識を時間的に整合したsubgoalに変換。 - 身体固有のlow-level controllerがsubgoalに従って制御。

4. どうやって有効だと検証した?

- 複数のlocomotionエージェントで実験。 - 最近のstate-of-the-artベースラインと比較し、最終ステップの追従誤差を94.75%~99.79%削減。 - 約23.8%のインタラクションデータで同等の展開性能を達成。

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、MAML (Model-Agnostic Meta-Learning)、RL^2、PEARL (Probabilistic Embeddings for Actor-critic RL) などが挙げられる。

※ 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: Yuan Meng, Bo Wang, Juan de los Rios Ruiz, Xiangtong Yao, Zhenshan Bing, Fuchun Sun, Alois Knoll

分類: cs.AI

原文アブストラクト

Meta-reinforcement learning enables fast adaptation by extracting shared structure from related tasks, but existing end-to-end methods often couple task inference with embodiment-specific control. This coupling can obscure non-parametric task semantics, reduce sample efficiency, and limit cross-agent reuse. We propose a meta-knowledge reutilization framework that learns task-level knowledge on a dynamics-simplified agent and transfers it to heterogeneous agents. The framework uses a Bayesian non-parametric prior to organize latent task modes and a high-level policy to generate task-level magnitude guidance. To bridge reusable task knowledge with different embodiments, we introduce a semantic-magnitude interface and a lightweight temporal adaptor, which convert frozen meta-knowledge into temporally aligned subgoals for embodiment-specific low-level controllers. Experiments on multiple locomotion agents show that our framework reduces final-step tracking error by 94.75% -- 99.79% compared with recent state-of-the-art baselines and achieves comparable deployment performance with about 23.8% of their interaction data.

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

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