日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ロボット学習arXiv:2606.29834

STEAM: 実世界ロボット学習のための自己教師あり時間アンサンブル優位性モデリング

STEAM: Self-Supervised Temporal Ensemble Advantage Modeling for Real-World Robot Learning

シェア:XThreadsFacebookLINEはてブBluesky

専門家のデモからフレーム間の時間オフセットを自己教師ありで学習し、ロールアウトデータの各フレームの優位性を評価する手法を提案。混合品質データの保守的なスコアリングにより、ポリシー学習の成功率を向上させた。

詳しい要約

1. どんなもの?

- 実世界ロボット学習のための自己教師あり時間アンサンブルアドバンテージモデリング(STEAM)を提案。 - 専門家デモンストレーションからラベルなしでフレームレベルのアドバンテージを学習。 - 混合品質のロールアウトデータを保守的にスコアリングし、ポリシー学習を改善。

2. 先行研究と比べてどこがすごい?

- 従来のアドバンテージ推定はラベルや報酬設計が必要だが、STEAMはラベルフリー。 - 時間オフセット予測のアンサンブルにより、信頼できる局所進歩と失敗・後退を区別。 - 混合品質データからでも有効なアドバンテージを抽出可能。

3. 技術・手法の肝は?

- 専門家軌跡内のフレームペアで時間オフセット予測器のアンサンブルを訓練。 - 正規化時間オフセットを自己教師信号として使用。 - 各予測器はフレームペアを時間オフセット分布にマッピングし、スカラーアドバンテージに変換。 - アンサンブル全体の最小アドバンテージを採用し、混合品質データを保守的に評価。

4. どうやって有効だと検証した?

- 実世界の両腕タオル折り、チップ会計、コーラ補充、単腕ピックアンドプレイスで検証。 - STEAMがストール、失敗、回復を識別することを確認。 - CFGRLと組み合わせることで、ベースラインに対する成功率がそれぞれ59%、54.3%、23%、16.2%向上。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- CFGRL(STEAMと組み合わせて使用) - 実世界ロボット学習におけるアドバンテージ推定の関連研究

※ 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: Zhihao Liu, Qiuyi Gu, Yitao Wang, Dongming Qiao, Yixian Zhang, Shuaihang Chen, Liangzhi Shi, Tianxing Zhou, Zefang Huang, Kang Chen, Zhen Guo, Quanlu Zhang, Jincheng Yu, Xiaodan Liang, Guoliang Fan, Yu Wang, Feng Gao, Xinlei Chen, Chao Yu

分類: cs.RO

原文アブストラクト

Real-world robot learning increasingly relies on heterogeneous data, but demonstrations and rollouts often mix useful progress with stalls, corrections, and suboptimal behavior. Effective policy learning therefore requires frame-level advantages that distinguish reliable local progress from failures and regressions. We propose Self-supervised Temporal Ensemble Advantage Modeling (STEAM), a label-free method that learns such advantages from expert demonstrations. STEAM trains an ensemble of temporal-offset predictors on frame pairs within expert trajectories, using the normalized temporal offset between two frames as a self-supervised signal. Each predictor maps a frame pair to a distribution over temporal offsets, which is converted into a scalar advantage. STEAM then takes the minimum advantage across the ensemble to score mixed-quality rollout data conservatively. Across real-world bimanual towel folding, chip checkout, cola restocking, and single-arm pick-and-place tasks, STEAM identifies stalls, failures, and recoveries. When combined with CFGRL, STEAM further improves policy success rate by 59%, 54.3%, 23% and 16.2% over baselines, respectively.

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