日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

模倣学習arXiv:2610.05882

Mulligan: 効率的なオンボット学習のための性能誘導型データ収集

Mulligan: Performance-Guided Data Collection for Efficient On-Robot Learning

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの模倣学習において、失敗しやすい初期状態を優先的に収集するデータ収集法を提案し、実世界タスクで成功率を10-34ポイント改善した。

詳しい要約

1. どんなもの?

- 人間のデモンストレーションからの学習はロボットに新しいタスクを教える信頼できる方法だが、方策が改善するにつれて追加のデモンストレーションからの利益は減少する。 - 代わりに、オペレータが物体を配置し、方策が失敗したとき介入する supervised deployment による継続的改善が可能。 - 本研究では、広範囲の物体配置を持つ高精度マニピュレーションタスクにおいて、固定予算の supervised episodes から改善を最大化する方法を問う。 - 失敗は初期状態の小さな部分集合に集中する可能性があるため、均一な収集はオペレータの時間の多くを方策が既に処理できる状態に費やす。 - Mulligan は初期状態分布を決定とし、各ラウンドのエピソードを観測された失敗と未試行の状態から開始する。 - さらにデータ効率を改善するため、interactive imitation learning に、失敗を含む全データで訓練された value function を追加する。 - 3つの実世界タスク(2,550の held-out, blinded episodes で評価)と2つ…

2. 先行研究と比べてどこがすごい?

- 従来の人間のデモンストレーションからの学習では、追加のデモンストレーションからの利益が方策の改善に伴い減少する。 - 均一な初期状態サンプリングでは、オペレータの時間の多くを方策が既に処理できる状態に費やす。 - Mulligan は初期状態分布を決定とし、観測された失敗と未試行の状態からエピソードを開始することで、同じ収集予算で均一サンプリングを上回る。 - さらに、失敗を含む全データで訓練された value function を interactive imitation learning に追加することでデータ効率を改善。 - 結果として、HiL-IDQL+Mulligan は最終的な実タスク成功率を10-34パーセントポイント改善する。

3. 技術・手法の肝は?

- 初期状態分布を決定とし、各ラウンドのエピソードを観測された失敗と未試行の状態から開始する。 - interactive imitation learning に、失敗を含む全データで訓練された value function を追加する。 - value-based action selection と組み合わせる(HiL-IDQL+Mulligan)。 - オペレータが物体を配置し、方策が失敗したとき介入する supervised deployment を採用。

4. どうやって有効だと検証した?

- 3つの実世界タスクで2,550の held-out, blinded episodes を用いて評価。 - 2つのシミュレーションタスクでも評価。 - 同じ収集予算で均一な初期状態サンプリングと比較し、Mulligan が上回ることを確認。 - HiL-IDQL+Mulligan が最終的な実タスク成功率を10-34パーセントポイント改善することを示す。 - オペレータの介入により、人間-ロボットチームが収集エピソードの98%を完了することを確認。

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や関連手法:interactive imitation learning、HiL-IDQL、value-based action selection、supervised deployment。 - 同分野の定番:behavior cloning、DAgger、reinforcement learning from human feedback。

※ 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: Lars Ankile, Perry Dong, Rohan Bhowmik, Aneesh Muppidi, David D. Yuan, Shuran Song, Chelsea Finn

分類: cs.RO, cs.LG

原文アブストラクト

Learning from human demonstrations is a reliable way to teach robots new tasks, but the gains from each additional demonstration shrink as the policy improves. Continued improvement can instead come from supervised deployment, where an operator places the objects and intervenes when the policy fails. We ask how to maximize improvement from a fixed budget of supervised episodes on high-precision manipulation tasks with wide ranges of object placements. We observe that failures can concentrate in a small subset of initial states, so uniform collection spends much of the operator's time on states the policy already handles. Mulligan makes the initial-state distribution a decision, starting each round's episodes at observed failures and untried states. To further improve data efficiency, we augment interactive imitation learning with a value function trained on all data, including failures that imitation discards. Across three real-world tasks evaluated on 2,550 held-out, blinded episodes and two simulated tasks, Mulligan outperforms uniform initial-state sampling at matched collection budgets, and combined with value-based action selection, HiL-IDQL+Mulligan, improves final real-task success by 10-34 percentage points. With operator interventions, the human-robot team completes 98% of collection episodes, remaining productive while the policy learns. Videos, code, and data are available at https://mulligan.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