日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2607.28560

X-NavDP: グループQスコア再重み付けマッチングによる新規行動と異種エンボディメントへのナビゲーション拡散ポリシーの一般化

X-NavDP: Generalizing Navigation Diffusion Policy to Novel Behavior and Embodiments with Group Q-score Reweighted Matching

シェア:XThreadsFacebookLINEはてブBluesky

ナビゲーション拡散ポリシーを強化学習で事後訓練し、多様なロボット形態や困難なシナリオへの一般化を向上させるフレームワークGQRMを提案。シミュレーションと実世界で成功率を大幅に改善した。

詳しい要約

1. どんなもの?

本論文は、ナビゲーション用の拡散ポリシーを、新しい行動や異なるロボット形態(embodiment)へ汎化させるための、データ効率の良いRL(強化学習)後訓練フレームワークGQRM(Group Q-score Reweighted Matching)を提案する。事前学習済みのナビゲーション拡散ポリシーを、多様なロボット形態と困難なシナリオ(行き止まりからの脱出や長い障害物の迂回など)に対応できるよう、オンラインRLで微調整する。

2. 先行研究と比べてどこがすごい?

従来のナビゲーション拡散ポリシーは、単一のロボット向けの完全情報オラクルプランナーによる大規模な専門家デモに依存しており、多様な形態や局所的な反応行動を必要とする困難なシナリオへの汎化が限られていた。RLによる後訓練が提案されてきたが、拡散ポリシーの尤度が扱いにくく、方策勾配が不安定で探索も非効率なため、改善はわずかだった。GQRMは、自己ブートストラップ探索とグループQスコア正規化により、これらの問題を解決し、データ効率の良いRL後訓練を実現する点が新しい。

3. 技術・手法の肝は?

手法の核は2つの補完的な設計からなる。(i) 自己ブートストラップ探索戦略:事前学習ポリシーの事前分布を保ちつつ、行動に摂動を加えて探索する。(ii) グループQスコア正規化メカニズム:各状態における軌跡ごとの価値を計算し、効率的な重み付きスコアマッチングを行う。これにより、拡散ポリシーの尤度を直接計算せずにRL更新を可能にし、異種ロボット形態にわたる分散オンラインRL訓練を実現する。

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で検証した。シミュレーションでは、異種ロボット形態をまたぐクロスエンボディメント視覚ナビゲーションタスクにおいて、成功率を61.20%から84.28%に向上させ、既存手法を上回るSOTAを達成した。実世界の困難なケースでは、成功率を10%から65%に向上させた。

5. 議論はある?

要旨からは、提案手法の限界や特定の条件下での性能低下などについての議論は不明。ただし、事前学習ポリシーの質に依存する可能性や、実世界での多様な環境へのさらなる検証が必要かもしれない。また、グループQスコア正規化の理論的保証や、より大規模な形態へのスケーラビリティについての議論は要旨には含まれていない。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、ナビゲーション拡散ポリシーの事前学習、RL for diffusion policies、クロスエンボディメントナビゲーションなどが挙げられる。具体的には、拡散ポリシーを用いたナビゲーションの先行研究や、RLで拡散モデルを訓練する手法(例:Diffusion Policy、RL for Diffusion Models)を読むとよい。また、クロスエンボディメント学習の定番手法も関連する。

※ 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: Tianyu Yang, Yiming Zeng, Wenzhe Cai, Yuqiang Yang, Jiaqi Peng, Hui Cheng, Jiangmiao Pang, Tai Wang

分類: cs.RO

原文アブストラクト

Pretraining navigation diffusion policies rely on large-scale expert demonstrations. These data are typically generated by a fully-informed oracle planner suited to a single nominal robot. This limits the policy's generalization to diverse embodiments and challenging scenarios (e.g., escaping dead ends or detouring long obstacles) that demand diverse local reactive behaviors with only onboard local observations. Post-training the policy with reinforcement learning (RL) offers a principled remedy. However, previous RL for diffusion approaches lead to only marginal improvements. This is because the intractable likelihood of diffusion policies renders policy gradients unstable in addition to inefficient policy exploration. To address these challenges, we propose a data-efficient diffusion RL post-training framework - GQRM (Group Q-score Reweighted Matching). Our framework introduces two complementary designs: (i) a self-bootstrapped exploration strategy with behavior perturbation that preserves the pretrained policy prior, and (ii) a group Q-score normalization mechanism that computes per-trajectory values on each state for efficient reweighted score matching. By conducting distributed online RL training across heterogeneous embodiments, the resulting fine-tuned policy, X-NavDP, achieves state-of-the-art cross-embodiment visual navigation performance, improving the overall success rate from 61.20% to 84.28% in simulation and 10% to 65% in real-world hard cases. The code and model are publicly available at https://yty-sky.github.io/x-navdp-project-page.

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