鏡像学習フレームワーク、第三者の観察から行動方針を獲得

何が起きたか

arXivに2026年7月30日付で公開された論文「Mirror Learning」において、研究者らは、第三者の観察から行動方針を獲得する「ミラー学習」フレームワークを提案した。この手法は、微調整されたビデオ拡散モデルを用いた視点変換と、学習者の制御空間で行動軌跡を推論する逆動力学モデルを組み合わせる。

詳細

従来の行動クローニング（BC）は、密で整列した一人称データでは優れているが、人間や動物が日常的に利用する三人称デモンストレーションからの豊かな観察信号を活用できないと論文は指摘する。提案手法は、学習者がデモンストレーターの視点に立つための視点変換と、学習者の制御空間での行動軌跡を推論する逆動力学モデルを構成し、三人称観察から擬似一人称の専門家データ（ミラーデータ）を合成する。実験では、ミラーデータのみで効果的な方針を訓練できること、また一人称BC訓練にミラーデータを追加することで下流のポリシー性能がさらに向上することが示された。

Key Facts

なぜ重要か

この研究は、現代の生成的ワールドモデルが、遠隔操作に依存しないスケーラブルで安全なデータ収集の代替手段を可能にする十分な構造を暗黙的に符号化していることを示唆する。模倣学習のデータ収集コストを削減し、ロボット学習の効率を高める可能性がある。