日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

報酬学習arXiv:2610.14159

タスク関連潜在ダイナミクスの分離による報酬モデリング

Disentangling Task-Relevant Latent Dynamics for Reward Modeling

シェア:XThreadsFacebookLINEはてブBluesky

動画からタスクに関連する潜在表現を分離し、その時間変化から密な報酬を学習する手法DiTaRを提案。ロボット操作タスクの政策学習を改善し、実世界オフラインRLにも転移可能。

詳しい要約

1. どんなもの?

- ロボットマニピュレーションのための強化学習(RL)における報酬設計のボトルネックを解消する研究。 - ビデオからスケーラブルに報酬を学習する手法 DiTaR (Disentangling Task-Relevant Latent Dynamics for Reward Modeling) を提案。 - 異種ビデオから密報酬(dense reward)を学習するフレームワーク。 - タスク関連の潜在ダイナミクスを抽出し、それに基づいて報酬をモデル化する。

2. 先行研究と比べてどこがすごい?

- 既存のビデオベース報酬は、タスク関連の状態変化と無関係な視覚変動が混在した絡み合った視覚空間で計算されることが多い。 - その結果、学習された報酬が実際のタスク実行ではなく視覚的ディストラクタに反応する可能性があった。 - DiTaR はタスク無関係な視覚変動を抑制し、タスク関連の潜在空間で報酬を計算する点が異なる。 - MetaWorld-v3 と ManiSkill において、ビデオベース報酬のベースラインよりも政策学習を大幅に改善。 - 実世界のオフライン RL にも報酬再ラベリング(reward relabeling)を通じて転移可能。

3. 技術・手法の肝は?

- 多フレームのビデオ潜在から、非対称な二段階手続き(asymmetric two-stage procedure)により連続的なタスク関連表現を学習。 - この手続きでタスク無関係な視覚変動を抑制する。 - タスク関連潜在空間において、履歴と言語に条件付けられた rectified-flow モデルを訓練し、タスクダイナミクスを捉える。 - ダイナミクス整合性(dynamics compatibility)の時間的変化から方向性のある密報酬(directional dense reward)を導出。 - これにより、一般的な視覚変動ではなくタスク関連ダイナミクス上で直接報酬モデリングを可能にする。

4. どうやって有効だと検証した?

- MetaWorld-v3 と ManiSkill 上で政策学習を評価し、ビデオベース報酬のベースラインと比較して大幅な改善を確認。 - 実世界のオフライン RL への転移を報酬再ラベリング(reward relabeling)を通じて検証。 - 報酬分析(reward analyses)により、DiTaR がより信頼性の高い報酬を提供することを示した。

5. 議論はある?

- 要旨からは不明。 - ただし、報酬分析により信頼性の高い報酬が得られることが示されている。 - 実世界オフライン RL への転移可能性が示唆されている。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究: ビデオベース報酬のベースライン(具体的名称は要旨からは不明)。 - 関連手法: 強化学習における報酬設計、ビデオからの報酬学習、オフライン RL、rectified-flow モデル。 - 同分野の定番: MetaWorld-v3、ManiSkill などのベンチマーク。

※ 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: Dayou Li, Jionghao Wang, Peihao Wang, Jiuzhou Lei, Hao Wang, Jichen Chai, Hezhen Hu, Minghui Zheng, Zhangyang Wang, Xin Li, Wenping Wang, Zhiwen Fan

分類: cs.RO, cs.CV

原文アブストラクト

Reward design remains a major bottleneck for reinforcement learning in robotic manipulation. Handcrafted dense rewards can compensate for the limited guidance provided by sparse rewards, but require substantial task-specific reward engineering. Learning rewards from videos provides a scalable, data-driven alternative to manual reward design. However, existing video-based rewards are often computed in entangled visual spaces where task-relevant state changes are confounded with extraneous visual variation. As a result, the learned reward may respond to visual distractors instead of actual task execution. To address this limitation, we propose DiTaR (Disentangling Task-Relevant Latent Dynamics for Reward Modeling), a framework for learning dense rewards from heterogeneous videos. DiTaR learns a continuous task-relevant representation from multi-frame video latents through an asymmetric two-stage procedure that suppresses task-irrelevant visual variation. In the task-relevant latent space, we train a history- and language-conditioned rectified-flow model to capture task dynamics and derive a directional dense reward from temporal changes in dynamics compatibility. Together, these components enable reward modeling directly over task-relevant dynamics rather than generic visual variation. DiTaR substantially improves policy learning on MetaWorld-v3 and ManiSkill over video-based reward baselines, and transfers to real-world offline RL through reward relabeling. Reward analyses further show that DiTaR provides more reliable rewards.

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