何が起きたか
arXivに2026年3月3日付で掲載された論文(識別番号2603.02650v2)において、自己教師ありアクションゲーティングとエネルギーを用いた拡散プランナー改善手法「SAGE」(Self-supervised Action Gating with Energies)が提案された。SAGEは、価値誘導選択が環境ダイナミクスと局所的に矛盾する軌道を選ぶことで実行が脆くなる問題に対処するため、潜在整合性シグナルを用いて動的に矛盾するプランをペナルティする推論時再ランキング手法である。
詳細
SAGEは、オフライン状態系列上でJoint-Embedding Predictive Architecture(JEPA)エンコーダと、短期ホライズン遷移のためのアクション条件付き潜在予測器を訓練する。テスト時には、各サンプリング候補に潜在予測誤差に基づくエネルギーを割り当て、この実現可能性スコアを価値推定と組み合わせてアクションを選択する。 SAGEは、軌道をサンプリングし価値スコアリングでアクションを選択できる既存の拡散プランニングパイプラインに統合可能で、環境ロールアウトやポリシー再訓練を必要としない。実験では、移動、ナビゲーション、操作の各ベンチマークにおいて、拡散プランナーの性能とロバスト性を改善したと報告されている。
Key Facts
| 論文はarXivに2026年3月3日付で掲載された(識別番号2603.02650v2)。 | [1] |
| 提案手法はSelf-supervised Action Gating with Energies(SAGE)と呼ばれる。 | [1] |
| SAGEは推論時再ランキング手法であり、潜在整合性シグナルを用いて動的に矛盾するプランをペナルティする。 | [1] |
| SAGEはJoint-Embedding Predictive Architecture(JEPA)エンコーダをオフライン状態系列上で訓練する。 | [1] |
| SAGEはアクション条件付き潜在予測器を短期ホライズン遷移のために訓練する。 | [1] |
| テスト時、SAGEは各サンプリング候補に潜在予測誤差に基づくエネルギーを割り当てる。 | [1] |
| SAGEは実現可能性スコアを価値推定と組み合わせてアクションを選択する。 | [1] |
| SAGEは既存の拡散プランニングパイプラインに統合可能で、環境ロールアウトやポリシー再訓練を必要としない。 | [1] |
| 移動、ナビゲーション、操作のベンチマークで、SAGEは拡散プランナーの性能とロバスト性を改善した。 | [1] |
なぜ重要か
この研究は、オフライン強化学習における拡散プランナーの実用性を高める可能性がある。価値誘導の脆さを推論時に補正する手法は、環境との相互作用を追加せずに既存システムへ統合できるため、実世界応用への障壁を低減する。