日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

報酬学習arXiv:2607.00483

VLM-AR3L: 強化学習における絶対・相対報酬のための視覚言語モデル

VLM-AR3L: Vision-Language Models for Absolute and Relative Rewards in Reinforcement Learning

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語モデルを用いて、自然言語のタスク目標に基づく絶対報酬と相対報酬を学習し、強化学習の報酬設計問題を解決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?

VLM-AR3Lは、Vision-Language Models (VLMs)を利用して強化学習(RL)の報酬関数を設計するフレームワーク。エージェントの視覚観察を自然言語のタスク目標と関連付け、VLMが生成した選好ラベルから絶対報酬と相対報酬の両方を学習する。絶対報酬モデルは個々の状態のスカラー評価を予測し、相対報酬モデルは連続する観察を比較してタスク目標への進捗や後退を推測する。これらを統合することで、状態ベース評価の安定性と比較的監督の頑健性を組み合わせる。

2. 先行研究と比べてどこがすごい?

従来のVLMベースの報酬学習手法は、絶対報酬または相対報酬のいずれかに焦点を当てることが多く、それぞれに弱点があった。絶対報酬は状態評価の安定性があるが、比較的監督の頑健性に欠け、相対報酬は比較による頑健性があるが、状態評価の安定性に欠ける。VLM-AR3Lは両者を統合することで、これらの弱点を補い、より一貫した性能向上を実現している点が優れている。

3. 技術・手法の肝は?

手法の核は、VLMを用いて選好ラベルを生成し、それらから絶対報酬モデルと相対報酬モデルを学習すること。絶対報酬モデルは個々の状態を評価し、相対報酬モデルは連続する観察のペアを比較して進捗を判断する。これらを統合して最終的な報酬を構成する。VLMは視覚観察と自然言語のタスク目標を関連付けるために使用される。

4. どうやって有効だと検証した?

評価は、classic control、manipulation、open-world embodied tasksを含むベンチマークで実施。特にMinecraftに焦点を当て、その視覚的複雑さと長期的意思決定の要件を考慮している。実験結果は、VLM-AR3Lが従来のVLMベースの報酬学習手法を一貫して上回ることを示している。

5. 議論はある?

要旨からは、VLM-AR3Lの限界や潜在的な欠点についての議論は不明。また、絶対報酬と相対報酬の統合方法の詳細や、VLMの選好ラベルの品質が性能に与える影響などについても要旨からは不明。

6. 次に読むべき論文は?

要旨で参照されている先行研究や関連手法は明示されていないが、VLMベースの報酬学習手法や、RLにおける報酬設計に関する研究が関連する。具体的には、VLMを用いた報酬モデリングの既存研究や、選好ベースのRL手法(例えば、Preference-based RL)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: Kuan-Chen Chen, Winston Chen, Wei-Fang Sun, Min-Chun Hu

分類: cs.RO

原文アブストラクト

Designing effective reward functions remains a major challenge in reinforcement learning (RL), particularly in open-ended environments where task goals are abstract and difficult to quantify. In this work, we present VLM-AR3L, a framework that leverages Vision-Language Models (VLMs) to provide both absolute and relative rewards for RL. VLM-AR3L interprets an agent's visual observations in the context of a natural language task goal, and learns both absolute and relative rewards from VLM-generated preference labels. The absolute reward model predicts scalar evaluations for individual states, while the relative reward model compares consecutive observations to infer progress or regression toward the task goal. Their integration combines the stability of state-based evaluation with the robustness of comparative supervision. We evaluate VLM-AR3L across benchmarks spanning classic control, manipulation, and open-world embodied tasks, with a particular focus on Minecraft given its visual complexity and long-horizon decision-making requirements. Experimental results show that VLM-AR3L consistently outperforms prior VLM-based reward learning methods.

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