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arXiv:2607.13033

DenseReward: 失敗合成によるロボット操作のための高密度報酬学習

DenseReward: Dense Reward Learning via Failure Synthesis for Robotic Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

ロボット操作の強化学習を改善するため、シミュレーションで物理的に現実的な失敗軌道を自動生成し、視覚と言語からフレーム単位の高密度報酬を予測する報酬モデルDenseRewardを提案した。

詳しい要約

1. どんなもの?

DenseRewardは、ロボット操作タスクにおける強化学習を支援するための密な報酬モデルである。視覚観察と言語指示からフレームレベルの報酬スコアを予測し、エピソード全体を通してタスクの進捗を細かく推定する。報酬モデルの訓練には、シミュレーション内で自動生成された物理的に現実的な失敗軌道(衝突、把持失敗、物体落下、回復行動など)を利用する。データセット、訓練済みモデル、評価スイートを公開している。

2. 先行研究と比べてどこがすごい?

既存の報酬モデルは、スパースなバイナリ報酬や軌道レベルの報酬を予測するものが多く、効率的な方策最適化のための細かいガイダンスが限られていた。また、失敗データの収集には人手が必要であり、成功デモのリラベリングによる擬似失敗は物理的な失敗モードを十分に捉えられなかった。DenseRewardは、自動パイプラインで多様な物理的失敗を合成し、フレームレベルの密な報酬を提供することで、これらの課題を同時に解決している点が優れている。

3. 技術・手法の肝は?

手法の肝は、自動失敗データ生成パイプラインと、フレームレベル報酬予測の2点である。パイプラインは、シミュレーション内で人手ラベルなしに物理的に現実的な失敗軌道を合成し、衝突や把持失敗などの多様な失敗モードをカバーする。報酬モデルは、視覚観察と言語指示から各フレームの報酬スコアを予測するように訓練され、エピソード中のタスク進捗を密に推定する。

4. どうやって有効だと検証した?

シミュレーションと実世界の両方のマニピュレーションタスクにおいて、DenseRewardの密な報酬予測性能を、汎用VLMや既存のロボット報酬モデルと比較して評価した。さらに、下流のモデル予測制御(MPC)と強化学習への報酬ガイダンスとして有効であることを実証した。

5. 議論はある?

要旨からは、DenseRewardの限界や潜在的な問題についての議論は明示されていない。ただし、シミュレーションで合成された失敗データに依存しているため、シミュレーションと実世界のギャップ(sim-to-real gap)が性能に影響する可能性が考えられるが、要旨では言及されていない。

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、汎用VLM(Vision-Language Models)や既存のロボット報酬モデルが挙げられている。また、報酬学習の分野では、学習報酬モデル(learned reward models)や逆強化学習(inverse reinforcement learning)が関連する。具体的には、DenseRewardの比較対象となった既存のロボット報酬モデルや、失敗データ生成に関する研究を読むことが推奨される。

※ 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: Yu Fang, Wanxi Dong, Jiaqi Liu, Yue Yang, Mingxiao Huo, Yao Mu, Huaxiu Yao, Li Erran Li, Daniel Szafir, Mingyu Ding

分類: cs.RO

原文アブストラクト

Reinforcement learning holds great promise for improving robot policies beyond the limits of imitation learning. However, its practical adoption remains bottlenecked by the lack of reliable vision-language reward models that provide dense and informative feedback. Two key challenges remain: acquiring diverse failure data at scale and obtaining fine-grained reward signals beyond sparse trajectory-level success labels. Collecting failure trajectories typically requires laborious human effort, while pseudo-failures constructed by relabeling successful demonstrations fail to capture the diverse physical failure modes that arise during robot execution. Meanwhile, existing reward models often predict sparse binary or trajectory-level rewards, which provide limited guidance for efficient policy optimization. We introduce DenseReward, a dense robotic reward model that addresses both challenges. To train DenseReward, we develop an automated failure data generation pipeline that synthesizes physically realistic failure trajectories in simulation without human labeling, covering diverse failure modes such as collisions, missed grasps, object drops, and recovery behaviors. DenseReward predicts dense frame-level reward scores from visual observations and language instructions, enabling fine-grained estimation of task progress throughout an episode. Experiments show that DenseReward outperforms general-purpose VLMs and existing robotic reward models in dense reward prediction across both simulated and real-world manipulation. We further demonstrate that DenseReward provides effective reward guidance for downstream model predictive control and reinforcement learning. We release the dataset, trained reward models, and evaluation suite to support the development of failure-aware dense reward modeling for robot learning.

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