日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

操作学習/強化学習/Sim-to-RealarXiv:2607.10892

ゼロショットSim-to-Real転送を備えたマルチタスクブロック押し操作のための単一拡散ポリシーコントローラ

A Single Diffusion-Policy Controller for Multi-Task Block Pushing with Zero-Shot Sim-to-Real Transfer

シェア:XThreadsFacebookLINEはてブBluesky

強化学習を用いて、複数の形状のブロックを押すマルチタスク操作を単一の拡散ポリシーで学習し、実世界へゼロショット転送できることを示した論文。

詳しい要約

1. どんなもの?

本論文は、複数形状のブロック押し操作タスクを対象に、強化学習(RL)を用いて単一の拡散ポリシー(Diffusion Policy)をスクラッチから訓練するフレームワークを提案する。提案フレームワークは、BCベースの拡散ポリシー訓練で用いられるreweighted evidence lower boundを単純なポリシー損失関数として採用し、RLアルゴリズムのポリシー学習モジュールとして機能させる。デモンストレーションなしでの探索課題に対処するため、reverse curriculum generationとobjective-centric representationsを導入する。さらに、訓練されたポリシーが、目標位置、ブロック形状、ブロック重量、表面摩擦などの環境条件を変えた実世界タスクへゼロショット転移するかを評価する。

2. 先行研究と比べてどこがすごい?

先行研究では、拡散ポリシーは主に行動クローニング(BC)で訓練され、複雑な操作スキルの学習に有効とされてきた。しかし、BCはデモンストレーションに依存し、マルチタスクやスパース報酬設定でのRL適用は未探索だった。本論文は、拡散ポリシーをRLでスクラッチから訓練する初の試みであり、BC用の損失関数をRLにシームレスに統合する点、およびデモなしでの探索を可能にするreverse curriculum generationとobjective-centric representationsを組み合わせた点が新しい。また、実世界へのゼロショット転移を検証している点も先行研究と異なる。

3. 技術・手法の肝は?

手法の肝は、以下の3点である。(1) ポリシー損失関数として、BCベースの拡散ポリシー訓練で用いられるreweighted evidence lower boundを採用し、これをRLのポリシー最適化に利用する。(2) デモンストレーションなしでの探索を促進するため、reverse curriculum generationを導入し、タスクの難易度を逆順に生成する。(3) objective-centric representationsを用いることで、エージェントの状態表現を目標物体中心に変換し、一般化と探索効率を向上させる。これらにより、スパース報酬のマルチタスクブロック押しポリシーの学習を可能にする。

4. どうやって有効だと検証した?

有効性の検証は、スパース報酬のシミュレーション環境でマルチタスクブロック押しポリシーを学習し、その性能を評価した。さらに、訓練された拡散ポリシーを実世界のブロック押しタスクにゼロショット転移させ、目標位置、ブロック形状、ブロック重量、表面摩擦などの環境条件を変化させた場合の成功率を測定した。これにより、提案パイプラインがテストした変動条件下で実世界転移が可能であることを示した。具体的な数値や比較ベースラインは要旨からは不明。

5. 議論はある?

議論としては、要旨からは、提案手法が実世界の様々な環境条件でゼロショット転移に成功したことが示唆されるが、限定的な条件下での検証であり、より広範なタスクや環境での一般化については不明である。また、RLでの拡散ポリシー訓練の計算コストやサンプル効率、BCと比較した際の性能差などについての詳細な議論は要旨に含まれていない。さらに、reverse curriculum generationの設計やobjective-centric representationsの効果の詳細な分析も要旨からは不明。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、拡散ポリシーを用いたBCベースの研究(Diffusion Policy)や、RLでのポリシー表現に関する研究が挙げられる。また、マルチタスク操作やゼロショット転移に関する研究も関連する。具体的には、拡散ポリシーの原論文(Chi et al.)や、RLと拡散モデルを組み合わせた研究、カリキュラム学習や目標指向表現を用いた研究が次に読むべき候補である。ただし、要旨に明示的な参照はないため、同分野の定番として、Diffusion Policy (Chi et al., 2023)や、RLでのカリキュラム学習、sim-to-real転移に関する論文が挙げられる。

※ 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: Haitong Ma, Haldun Balim, Yang Hu, Bo Dai, Na Li

分類: cs.RO

原文アブストラクト

Diffusion policies have shown promising empirical performance in representing and learning complex maneuvers for robots using behavior cloning (BC). In this paper, we explore training diffusion policies from scratch using reinforcement learning (RL) for multi-task robotic manipulation. Specifically, we aim to train a single diffusion policy for block-pushing tasks with multiple shapes. The proposed framework features a simple policy loss function, which is a reweighted evidence lower bound used in BC-based diffusion policy training and can seamlessly serve as the policy learning module in RL algorithms. To address the exploration challenges arising from the absence of demonstrations, we incorporate reverse curriculum generation and objective-centric representations. Combined with the expressiveness of diffusion policies, our design supports learning of multi-task block-pushing policies in our sparse-reward simulation setting. We further evaluate whether the trained diffusion policy transfers in zero-shot to real-world tasks under varying environmental conditions including goal positions, block shapes, block weights and surface friction, providing evidence that this pipeline can transfer to our real-world block-pushing setup under the tested variations.

  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI