日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
マニピュレーションarXiv:2610.13345

Evo-RL: 選択的経験を用いた反復的なロボット強化学習

Evo-RL: Iterative Robot Reinforcement Learning from Selective Experience

シェア:XThreadsFacebookLINEはてブBluesky

人間の修正と成功軌跡から正のアドバンテージを持つ経験を選別して反復的に方策を改善する強化学習手法を提案し、実機の高精度マニピュレーションで成功率を30.46%向上させた。

詳しい要約

1. どんなもの?

- 実世界のロボット強化学習手法 - 人間の修正と自律ロールアウトを組み合わせる - 経験の価値のばらつきに着目 - 成功軌道でも非効率・冗長な行動を含む - 選択的な経験再利用を動機 - Evo-RLを提案 - 人間の介入とadvantage-guided experience selectionを組み合わせた反復強化学習 - 正の推定advantageを持つ経験と人間修正を利用 - ポリシーを反復的に改善 - RW-RL-Datasetを導入 - 4つのロボットembodimentにわたり1,000時間以上 - 実世界高精度マニピュレーションタスクで検証 - RECAPより試行成功率30.46%改善 - コード、モデルチェックポイント、データセット公開

2. 先行研究と比べてどこがすごい?

- 既存手法は人間修正と自律ロールアウトを組み合わせる - 経験の価値のばらつきを考慮しない - 成功軌道でも非効率・冗長な行動を含む問題 - Evo-RLはadvantage-guided experience selectionを導入 - 正の推定advantageを持つ経験を選択的に再利用 - 人間修正と組み合わせて反復改善 - 実世界高精度マニピュレーションタスクでRECAPより30.46%成功率向上 - 大規模データセットRW-RL-Datasetを提供

3. 技術・手法の肝は?

- 反復強化学習手法Evo-RL - 人間の修正とadvantage-guided experience selectionを組み合わせ - 正の推定advantageを持つ経験を選択 - 成功軌道からの経験を利用 - 人間修正と選択経験でポリシーを反復的に洗練 - 異なる経験源から学習するためRW-RL-Datasetを導入 - 4つのロボットembodiment、1,000時間以上

4. どうやって有効だと検証した?

- 実世界高精度マニピュレーションタスクで検証 - 試行成功率を評価 - RECAPと比較 - Evo-RLはRECAPより30.46%成功率改善 - コード、モデルチェックポイント、データセット公開

5. 議論はある?

- 要旨からは不明

6. 次に読むべき論文は?

- RECAP - 人間の修正と自律ロールアウトを組み合わせた既存の実世界強化学習手法

※ 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: Kai Ye, Yifan Jin, Qianhang Luo, Hongru Zhang, Jiedong Zhang, Shuyuan Hu, Song-Yuan Wu, Jihai Xu, Jie Zhao, Bo Zhao

分類: cs.RO

原文アブストラクト

Existing real-world reinforcement learning methods improve robot policies by combining human corrections with autonomous rollouts. However, accumulated experience varies in its value for policy improvement, and even successful trajectories can contain inefficient or redundant behavior, motivating more selective experience reuse. To this end, we propose Evo-RL, an iterative reinforcement learning method that combines human interventions with advantage-guided experience selection. Evo-RL uses human corrections and experience with positive estimated advantages from successful trajectories to iteratively refine the policy. To support learning from these different experience sources, we introduce RW-RL-Dataset, which spans over 1,000 hours across four robot embodiments. On a real-world high-precision manipulation task, Evo-RL improves attempt success rate over RECAP by 30.46\%. Our code, model checkpoints, and dataset are publicly available.

関連論文

PR本紙発行元 EmplifAI