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:2611.16020

不完全な模倣:異種デモンストレータからのオフライン・オンライン頑健模倣学習

Imitating the Imperfect: Offline-to-Online Robust Imitation Learning from Heterogeneous Demonstrators

シェア:XThreadsFacebookLINEはてブBluesky

熟練度が未知でばらつく複数のデモンストレータから、状態行動の最適性スコアと潜在的な熟練度を同時学習し、オンライン方策最適化に統合することで分布シフトに頑健な模倣学習を実現した。

詳しい要約

1. どんなもの?

- 複数のheterogeneous demonstratorsから収集された、専門性が未知でばらつきのあるsuboptimalなoffline demonstrationsを用いるimitation learning (IL)の設定を扱う研究。 - 既存手法の「demonstratorsはhomogeneousまたはnear-optimal」という仮定を外した、実世界に近い課題設定を提起。 - 提案手法はLatent Expertise and Optimality Scoring based Imitation Learning (LEOS-IL)と呼ばれるフレームワーク。 - offline-to-onlineの枠組みで、offlineデータから学習したscoring modelをonline policy optimizationに統合する。

2. 先行研究と比べてどこがすごい?

- 既存のILはdemonstratorsがhomogeneousまたはnear-optimalであると仮定するものが多いが、本研究はunknownでvaryingなexpertiseを持つheterogeneous demonstratorsを想定。 - その結果、mixed-qualityなデータから学習する現実的かつ困難な設定に取り組む点が新しい。 - demonstratorごとのlatent expertise levelとstate-action optimality scoringを同時に学習する点が先行研究と異なる。 - 学習したscoring modelをonline rolloutsで反復的に洗練し、online adaptation時のdistributional shiftを緩和する枠組みを提案。 - optimality score identificationとconditional optimal occupancy/policy recoveryに関する理論的保証を与える点も特徴。

3. 技術・手法の肝は?

- (i) state-action optimality scoring modelと、(ii) 各demonstratorのlatent expertise levelを、ラベルなしのsuboptimal offline demonstrationsからjointlyに学習。 - 学習されたscoring modelをonline policy optimizationに組み込み、agentは推定optimality scoreを最大化するよう訓練。 - online rolloutsを反復的に用いてscoring modelをrefineし、online adaptation時のdistributional shiftを軽減。 - optimality score identificationおよびconditional optimal occupancyとpolicy recoveryについて、明示的なsufficient conditionsの下で理論的保証を提示。

4. どうやって有効だと検証した?

- continuous control benchmarks上で実験を実施。 - highly heterogeneousかつlow-qualityなdemonstration regimesにおいて、既存baselinesと比較して一貫して優れることを示す。 - 具体的なbenchmark名や評価指標、baseline名は要旨からは不明。

5. 議論はある?

- heterogeneousでimperfectなdemonstratorsからのILという実践的設定の困難さと重要性を議論。 - 理論的保証は明示的なsufficient conditionsの下でのみ成立し、条件の詳細や限界は要旨からは不明。 - online rolloutsによるscoring modelのrefinementがdistributional shift緩和に寄与するという主張。 - 実験上の限界や失敗ケース、計算コストなどに関する議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照・比較されている具体的な既存研究名は不明。 - 関連手法として、offline-to-online imitation learning、offline reinforcement learning、reward learning、expertise estimation、distributional shift対策などの定番分野の論文を次に読むべき。 - 具体的な論文名は要旨からは不明。

※ 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: Cheng Pan, Nan Lu, Kai Arulkumaran, Josie Hughes

分類: cs.LG, cs.RO

原文アブストラクト

Imitation learning (IL) typically relies on large-scale offline demonstrations collected from multiple human or algorithmic demonstrators. However, most existing approaches assume these demonstrators are homogeneous or near-optimal experts, a convenient but unrealistic assumption in real-world applications. In practice, demonstrations are often collected from heterogeneous demonstrators with unknown and varying levels of expertise, resulting in highly mixed-quality data. In this work, we study a challenging yet practical setting of imitation learning from such heterogeneous imperfect demonstrators. We propose Latent Expertise and Optimality Scoring based Imitation Learning (LEOS-IL), a principled framework that jointly learns (i) a state-action optimality scoring model and (ii) latent expertise levels for each demonstrator from unlabeled suboptimal offline demonstrations. The learned scoring model is then integrated into an online policy optimization procedure, where the agent is trained to maximize estimated optimality scores while its online rollouts are iteratively leveraged to refine the scoring model, thereby mitigating distributional shift during online adaptation. We further provide theoretical guarantees for optimality score identification and conditional optimal occupancy and policy recovery under explicit sufficient conditions. Experiments on continuous control benchmarks demonstrate that our approach consistently outperforms existing baselines across highly heterogeneous and low-quality demonstration regimes.

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