日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2609.36872

PreferenceFlow: 人間介入によるフローマッチングロボット方策のテスト時ガイダンス

PreferenceFlow: Test-Time Guidance of Flow-Matching Robot Policies from Human Interventions

シェア:XThreadsFacebookLINEはてブBluesky

人間の介入とロボットの行動を比較して選好モデルを学習し、報酬なしで事前学習済みフローマッチング方策をテスト時に誘導する手法を提案。実機の精密挿入タスクで成功率を69%から90.5%に向上させた。

詳しい要約

1. どんなもの?

- テスト時ガイダンスフレームワークPreferenceFlowを提案 - 事前学習済みflow-matchingロボットポリシーを環境報酬やベースポリシー更新なしで改善 - 人間介入チャンクと同一初期条件から生成したロボットチャンクをペアにし選好モデルを学習 - 推論時はQGFサンプリング更新を採用し、価値勾配を推定クリーン行動での選好勾配に置換 - 4つの実世界精密挿入タスクで平均成功率90.5%を達成(凍結ポリシーは69%)

2. 先行研究と比べてどこがすごい?

- 従来の強化学習によるポリシー改善は報酬設計が困難または実世界で取得困難 - PreferenceFlowは環境報酬不要でベースポリシーを更新せずテスト時のみ改善 - 人間介入を局所的な選好監督として利用する点が新しい - 凍結ポリシーと比較して成功率が69%から90.5%へ大幅向上 - アブレーションで勾配正則化と選好ラベルの正しい順序の役割を支持

3. 技術・手法の肝は?

- 人間介入チャンクと同一初期条件から生成したロボットチャンクをペアにし選好モデルを訓練 - 推論時はQGFサンプリング更新を採用 - QGFの価値勾配を推定クリーン行動で評価した選好勾配に置換 - gradient-cap lossで介入ペアへの過剰勾配をペナルティ - zero-gradient lossで専門家デモの行動付近でのガイダンスを抑制

4. どうやって有効だと検証した?

- Frankaロボットによる4つの実世界精密挿入タスクで評価 - PreferenceFlowは平均成功率90.5%、凍結ポリシーは69% - アブレーションにより勾配正則化と選好ラベルの正しい順序の役割を検証 - 評価設定における有効性を実証

5. 議論はある?

- 人間介入が凍結生成ロボットポリシーを導く局所選好監督として有用であることを示す - 勾配正則化と選好ラベルの順序の重要性をアブレーションで支持 - 限界や今後の課題については要旨からは不明

6. 次に読むべき論文は?

- QGF (Q-guided flow) サンプリング更新 - flow-matching policies - 強化学習によるポリシー改善(報酬設計が困難な実世界操作) - 人間介入を用いた選好学習 - 関連するテスト時ガイダンス手法

※ 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: Yiqi Tang, Diyuan Shi, Runze Li, Donglin Wang

分類: cs.RO

原文アブストラクト

Flow-matching policies can represent complex robot behaviors but remain susceptible to local errors under distribution shift at deployment. Many reinforcement learning approaches to policy improvement require reward signals that are difficult to specify or obtain in real-world manipulation. We present PreferenceFlow, a framework for improving a pretrained flow policy at test time without environment rewards or updates to the base policy. Human intervention chunks are paired with robot chunks generated from the same initial conditioning state to train a preference model. During infer- ence, we adopt the QGF sampling update, replacing its value gradient with the preference gradient evaluated at an estimated clean action. A gradient-cap loss penalizes excessive gradients on intervention pairs, while a zero-gradient loss discourages guidance near actions from expert demonstrations. On four real-world precision insertion tasks with a Franka robot, Pref- erenceFlow achieves a mean success rate of 90.5%, compared with 69% for the frozen policy. Ablations support the roles of gradient regularization and correctly ordered preference labels in the evaluated settings. These results demonstrate the utility of human interventions as local preference supervision for guiding frozen generative robot policies.

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