日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

継続学習arXiv:2606.27353

変分的神経ダイナミクスによるロボットポリシーの継続学習

Continual Robot Policy Learning via Variational Neural Dynamics

シェア:XThreadsFacebookLINEはてブBluesky

実世界の経験を活用して、隠れた繰り返し発生するダイナミクス下でロボットのポリシーを継続的に改善するフレームワークを提案。物理事前知識とニューラル残差を組み合わせ、オンラインで条件を推定してポリシーを適応させる。

詳しい要約

1. どんなもの?

- 実世界で運用されるロボットは、風の変化、ペイロードの変動、バッテリーの消耗、接触の変化、ハードウェアの摩耗など、単一の固定された動力学モデルでは対応できない。 - 本研究では、隠れた再発する動力学の下で、実世界の経験を用いてロボットポリシーを改善する継続学習フレームワークを提案する。 - 実状態行動軌跡から条件認識型動力学モデルを学習し、解析的物理事前分布とニューラル残差を組み合わせる。 - リカレントエンコーダが最近の相互作用から現在の隠れ条件を推論し、その推定が残差モデルとポリシーの両方を条件付ける。 - ポリシー学習は、潜在モデルからサンプリングされた多様な学習済み動力学を用いた微分可能シミュレーションによって行われる。 - 展開時には、サンプリングされた条件を最近の実相互作用からオンラインで推論された条件に置き換え、ポリシーが残差再適合ではなく認識によって再発する動力学を回復できるようにする。

2. 先行研究と比べてどこがすごい?

- 従来の学習ベース制御器は一度訓練されると学習が完了したものとして展開され、展開経験を活用してタスク性能を改善できなかった。 - 本研究では、実世界の経験を用いて隠れた再発する動力学の下でポリシーを改善する継続学習フレームワークを提案し、この問題に対処する。 - 実世界のクアッドローター軌道追従において、変化する風の下で再発する外乱から約1秒で回復し、オンライン残差再適合よりも約5倍高速である。 - また、大外乱時のホバリングおよび追従誤差を、最先端のオンライン適応アプローチと比較してそれぞれ65.7%および53.3%削減する。

3. 技術・手法の肝は?

- 条件認識型動力学モデルを学習するために、解析的物理事前分布と未モデル化効果のためのニューラル残差を組み合わせる。 - リカレントエンコーダが最近の相互作用から現在の隠れ条件を推論し、その推定が残差モデルとポリシーの両方を条件付ける。 - ポリシー学習は、潜在モデルからサンプリングされた多様な学習済み動力学を用いた微分可能シミュレーションによって行われる。 - 展開時には、サンプリングされた条件を最近の実相互作用からオンラインで推論された条件に置き換え、ポリシーが残差再適合ではなく認識によって再発する動力学を回復できるようにする。

4. どうやって有効だと検証した?

- 広範なシミュレーション研究と実世界実験を通じて、多様な未観測外乱下でのポリシー性能を改善することを実証した。 - 実世界のクアッドローター軌道追従において、変化する風の下で再発する外乱から約1秒で回復し、オンライン残差再適合よりも約5倍高速であることを示した。 - また、大外乱時のホバリングおよび追従誤差を、最先端のオンライン適応アプローチと比較してそれぞれ65.7%および53.3%削減することを示した。

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として、オンライン残差再適合(online residual re-fitting)や最先端のオンライン適応アプローチ(state-of-the-art online adaptation approaches)が挙げられる。 - また、微分可能シミュレーション(differentiable simulation)やリカレントエンコーダ(recurrent encoder)を用いた継続学習(continual learning)の関連研究が考えられる。

※ 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: Jiaxu Xing, Zhiyuan Zhu, Yunfan Ren, Ismail Geles, Yifan Zhai, Rudolf Reiter, Davide Scaramuzza

分類: cs.RO

原文アブストラクト

Robots deployed in the real world rarely operate under a single fixed dynamics model: wind changes, payloads vary, batteries drain, contacts shift, and hardware wears. Yet most learning-based controllers are trained once and deployed as if learning were complete. This prevents the robot from using deployment experience to further improve task performance. In this work, we propose a continual learning framework that uses real-world experience to improve robot policies under hidden and recurring dynamics. Our method learns a condition-aware dynamics model from real state-action trajectories by combining an analytical physics prior with a neural residual for unmodeled effects. A recurrent encoder infers the current hidden condition from recent interaction, and this estimate conditions both the residual model and the policy. Policy learning is performed via differentiable simulation using diverse learned dynamics sampled from the latent model. At deployment, these sampled conditions are replaced by conditions inferred online from recent real interaction, allowing the policy to recover recurring dynamics by recognition rather than residual re-fitting. Through extensive simulation studies and real-world experiments, we demonstrate that the framework improves policy performance under diverse unobserved disturbances. On real quadrotor trajectory tracking under changing wind, the policy recovers from recurring disturbances in roughly 1s, about 5x faster than online residual re-fitting. It also reduces large-disturbance hover and tracking errors by 65.7% and 53.3% over the state-of-the-art online adaptation approaches

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