日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/強化学習arXiv:2607.09042

少ないデータから多くを学ぶ:後知恵からの強化学習

Learning More from Less: Reinforcement Learning from Hindsight

シェア:XThreadsFacebookLINEはてブBluesky

VLAモデルの強化学習後訓練において、失敗したロールアウトを実際に達成したタスクに再ラベル付けする「後知恵からの学習」を提案し、サンプル効率を5倍向上させた。

詳しい要約

1. どんなもの?

本論文は、Vision-Language-Action (VLA) モデルの強化学習 (RL) によるポストトレーニングにおいて、サンプル効率を向上させる手法 'Learning from Hindsight (LfH)' を提案している。操作タスクではスパースな報酬が一般的であり、初期の失敗ロールアウトから学習することが難しい。LfH は、失敗したロールアウトを、実際に達成したタスクにリラベルすることで、学習に活用する。具体的には、単一の Vision-Language Model (VLM) が、失敗ロールアウトのグループに対して 'hindsight instruction' を提案し、各ロールアウトがその命令をどの程度満たしているかをスコアリングする。そして、ポリシーはリラベルされたロールアウトと元のロールアウトを併用して学習する。

2. 先行研究と比べてどこがすごい?

従来の RL ポストトレーニングでは、スパース報酬環境では初期の失敗から学習が進まず、サンプル効率が低い。また、Hindsight Experience Replay (HER) などの既存のリラベリング手法は、状態ベースの目標に適用されることが多く、言語指示を持つ VLA モデルには直接適用できない。LfH は、言語によるリラベリングを導入し、VLA の言語汎化能力を活用することで、同じ軌道からより多くの学習を引き出す点が新しい。さらに、報酬と指示の両方をリラベルすることで、より一貫性のある学習信号を提供する。

3. 技術・手法の肝は?

LfH の核心は、失敗ロールアウトを成功した別のタスクとして扱うことである。具体的には、まず複数の失敗ロールアウトを収集し、それらをグループ化する。次に、単一の VLM を用いて、そのグループが実際に達成したタスクを記述する 'hindsight instruction' を生成する。その後、各ロールアウトがその命令をどの程度満たしているかを VLM がスコアリングし、これを報酬として使用する。ポリシーは、元の指示とリラベルされた指示の両方で学習する。これにより、失敗ロールアウトからも学習信号を得ることができ、サンプル効率が向上する。

4. どうやって有効だと検証した?

検証は、分布外の LIBERO-PRO タスクを用いて行われた。標準的な RL がゆっくりとしか改善しない環境で、LfH はサンプル効率を 5 倍向上させ、高密度な進捗報酬ベースラインを上回った。さらに、異なる VLA バックボーンでも効果が確認され、物理的な Franka ロボットでも有効性が示された。

5. 議論はある?

要旨からは、LfH の限界や潜在的な問題についての議論は不明である。ただし、リラベルされた指示が常に正確であるとは限らない可能性や、VLM のスコアリングの信頼性、複雑なタスクでの適用可能性などが懸念されるかもしれない。また、サンプル効率の向上は示されたが、最終的な性能の上限や、他のタスクへの一般化についてはさらなる検証が必要である。

6. 次に読むべき論文は?

要旨で参照されている研究は明示されていないが、関連手法として Hindsight Experience Replay (HER) や、VLA モデルの RL ポストトレーニングに関する研究が挙げられる。また、言語条件付きの報酬学習や、VLM を用いた報酬モデリングの研究も関連する。具体的には、'Hindsight Experience Replay' (Andrychowicz et al.) や、'VLA' モデルの代表例である 'RT-2' や 'OpenVLA' などが次の読むべき論文として考えられる。

※ 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: Iris Xu, Sunshine Jiang, John Marangola, Nitish Dashora, Richard Li, Thomas Liu, Zexue He, Yuheng Zhi, Alex Pentland, Pulkit Agrawal, Zhang-Wei Hong

分類: cs.LG

原文アブストラクト

Reinforcement learning (RL) is increasingly used to post-train vision-language-action (VLA) models, but every update consumes robot rollouts that are slow and costly to collect, making sample efficiency a central concern. Manipulation tasks typically provide only sparse rewards, so a weak policy fails almost every rollout early in training and has little to learn from, even when those failures execute coherent behavior. Such a failure, however, is a success at a different task. We present Learning from Hindsight (LfH), which brings hindsight relabeling to RL post-training of VLAs by scoring failed rollouts against the tasks they actually achieved. A single vision-language model relabels both the instruction and the reward, proposing a hindsight instruction for a group of failed rollouts and scoring how well each satisfies it, and the policy trains on the relabeled and original rollouts jointly. Because VLAs generalize across language, relabeling in language lets the policy learn more from the same trajectories. On out-of-distribution LIBERO-PRO tasks, where standard RL improves only slowly, LfH achieves $5\times$ improvement in sample efficiency, and outperforms a dense progress-reward baseline. The gains hold across VLA backbones and on a physical Franka robot.

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