日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ヒューマノイド制御arXiv:2610.28925

1つのポリシーで多様なスタイルを:操縦可能なヒューマノイド制御のための選好集約の最適な場所

One Policy, Many Styles: Where to Aggregate Preferences for Steerable Humanoid Control?

シェア:XThreadsFacebookLINEはてブBluesky

ヒューマノイド制御において、選好条件付き強化学習の選好集約を報酬・アドバンテージ・損失・PCGradの各レベルで比較し、応答性と制御精度のトレードオフを明らかにした。

詳しい要約

1. どんなもの?

- 本研究は、単一の policy で実行時に行動スタイルを調整できる steerable humanoid control のための preference-conditioned reinforcement learning を扱う。 - 複数の preference をどこで集約(aggregation)すべきかを、reward-level、advantage-level、loss-level、PCGrad-based の4段階で比較する。 - 評価は Preference Reward Responsiveness (PRR) に coverage と utility の指標を組み合わせ、2つの humanoid-control framework 上で行う。

2. 先行研究と比べてどこがすごい?

- 従来の preference-conditioned reinforcement learning は conditioning だけでは、要求した行動変化の強さ、無関係な行動への漏れ(leakage)、タスク性能への影響を保証できない。 - 本研究は aggregation level の違いがこれら3点に与える影響を体系的に比較する点が新しい。 - 単一の aggregation level が全環境・全基準で最良にはならないことを示した。

3. 技術・手法の肝は?

- 肝は preference の集約位置を reward-level、advantage-level、loss-level、PCGrad-based の4種類に分けて比較する設計。 - 評価指標として Preference Reward Responsiveness (PRR) に加え coverage と utility を用いる。 - 2つの humanoid-control framework 上で同一の比較を行う。

4. どうやって有効だと検証した?

- 2つの humanoid-control framework において、4つの aggregation level を PRR、coverage、utility で比較評価した。 - 結果として、全環境・全基準で最良の aggregation level は存在しなかった。 - 早期集約は行動応答の範囲が広がるが他目的への意図しない変化が増え、後期集約は応答性を犠牲にしつつ制御精度が向上することを実験で示した。

5. 議論はある?

- aggregation level にはトレードオフがあり、応答性(responsiveness)と制御精度・他目的への leakage の間で選択が必要。 - 早期集約は広い行動応答 vs 意図しない変化の増大、後期集約は精度向上 vs 応答性低下という議論を提示。 - 特定環境に依存しない万能な aggregation level は見つかっていない。

6. 次に読むべき論文は?

- 要旨で参照・比較されている Preference Reward Responsiveness (PRR)、PCGrad、preference-conditioned reinforcement learning の関連研究。 - humanoid-control framework を用いた preference-conditioned 制御の先行研究。 - 要旨からは個別論文名は不明。

※ 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: Ziqian Huang, Yuzhuo Chen, Shimin Zhang, Junyang He, Xinyue Annie Yang, Animesh Garg

分類: cs.RO, cs.LG

原文アブストラクト

Modern robotic agents are increasingly expected to support steerable control, where a single policy can adjust its behavioral style at runtime under changing user preferences. Preference-conditioned reinforcement learning provides this interface, but conditioning alone does not ensure that a requested behavior change is strong, does not leak into unrelated behaviors, and does not compromise task performance. Our evaluation combines Preference Reward Responsiveness (PRR) with coverage and utility metrics. We use these measures to compare reward-level, advantage-level, loss-level, and PCGrad-based aggregation across two humanoid-control frameworks. No aggregation level performs best across all environments and criteria. Experiments show that aggregating objectives early produces a wider range of behavioral responses but greater unintended changes in other objectives, while aggregating them later improves control precision at some cost to responsiveness.

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