日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

逆強化学習arXiv:2609.31855

PHIRL: 逆強化学習のための学習報酬とタスク進捗の整合

PHIRL: Aligning Learned Rewards with Task Progress for Inverse Reinforcement Learning

シェア:XThreadsFacebookLINEはてブBluesky

人間のデモンストレーションと進捗フィードバックを組み合わせ、逆強化学習でロバストな報酬関数を学習するデータ効率の良いフレームワークPHIRLを提案。実機・シミュレーションでベースラインを上回る性能を示した。

詳しい要約

1. どんなもの?

- 人間のデモンストレーションとフィードバックを組み合わせた逆強化学習フレームワークPHIRLを提案。 - 進捗(累積タスク完了度)をフィードバックモダリティとして利用。 - デモンストレーションから報酬関数を推論し、進捗注釈と報酬を4次元で整合させる。 - 実ロボットとシミュレーションタスクで評価。

2. 先行研究と比べてどこがすごい?

- デモンストレーションは密な政策情報を持つが局所精度に欠け、フィードバックは正確な局所批評だが疎な評価に留まる。 - PHIRLは両者を統合し、データ効率を向上。 - デモンストレーションの20%のみに進捗注釈を付けるだけで、ベースラインを大幅に上回る環境リターンとタスク成功率を達成。 - 報酬ハッキングシナリオに対して堅牢な報酬関数を学習。

3. 技術・手法の肝は?

- 逆強化学習によりデモンストレーションから報酬関数を反復的に推論。 - 進捗注釈付きデモンストレーション上で学習報酬を計算。 - 報酬と進捗注釈を4次元で整合させる。 - 微調整された視覚言語モデルを進捗フィードバック提供に活用する探索も実施。

4. どうやって有効だと検証した?

- 実ロボットとシミュレーションのタスクで評価。 - 環境リターン報酬とタスク成功率を測定。 - ベースラインと比較し、PHIRLが大幅に優れることを確認。 - 報酬ハッキングシナリオの分析により、学習報酬関数の信頼性を検証。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 同分野の定番として、逆強化学習(Inverse Reinforcement Learning)、人間フィードバックからの強化学習(Reinforcement Learning from Human Feedback)、視覚言語モデル(Vision-Language Model)が関連。

※ 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: Hang Yu, James Staley, Cheng Xi Tsou, Xiujin Liu, Wenchang Gao, Jindan Huang, Shijie Fang, Zhegong Shangguan, Angelo Cangelosi, Reuben Aronson, Elaine Short

分類: cs.RO, cs.AI

原文アブストラクト

Human demonstrations provide dense policy-level information but sometimes lack local precision. Human feedback presents accurate local critiques, but offers sparse evaluations rather than direct policy guidance. We propose Progress-Heuristicized Inverse Reinforcement Learning (PHIRL), a data-efficient framework that learns robust reward functions by jointly leveraging demonstrations and feedback. Specifically, we use progress, a feedback modality that describes cumulative task completion. PHIRL iteratively infers a reward function from demonstrations via inverse reinforcement learning, calculates the learned rewards over the progress-annotated demonstrations, and aligns the rewards with progress annotations over four dimensions. We evaluate PHIRL on real and simulated robot tasks, with additional exploration using a fine-tuned vision-language model to provide progress feedback. Results demonstrate that PHIRL significantly outperforms the baselines, achieving substantially higher environmental return rewards and task success with only twenty percent of demonstrations annotated. Analysis of reward-hacking scenarios demonstrates that PHIRL learned reward functions are reliable against exploitation.

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

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