論文の概要: An offline approach to fNIRS-guided reinforcement learning for robot behavior

• arxiv url: http://arxiv.org/abs/2607.14393v1
• Date: Wed, 15 Jul 2026 22:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.921654
• Title: An offline approach to fNIRS-guided reinforcement learning for robot behavior
• Title（参考訳）: ロボット行動に対するfNIRS誘導強化学習へのオフラインアプローチ
• Authors: Julia Santaniello, Madelaine Brower, Benson Jiang, Donatello Sassaroli, Robert Jacob, Jivko Sinapov,
• Abstract要約: ヒューマン・イン・ザ・ループ強化学習(Human-in-the-loop Reinforcement Learning)は、ロボットの動作をユーザの好みに合わせて訓練、微調整、調整するための一般的なアプローチとなっている。 本稿では,FNIRS(Functional near-infrared spectroscopy)による脳信号を用いたシミュレーションロボット学習の実現可能性について検討する。
• 参考スコア（独自算出の注目度）: 2.933736356368701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-in-the-loop Reinforcement Learning has become a popular approach to training, finetuning, and aligning robot behavior with user preferences. Our paper explores the feasibility of using brain signals via functional near-infrared spectroscopy (fNIRS) to modulate robot learning in simulation. We compare agents trained on passive (observational) versus active (demonstrative) interaction tasks, and test multiple methods for enhancing the RL algorithm with the neural signal, focusing on parameter augmentation rather than replacement. We further examine how model granularity and noise affect agent learning. Our results show that this framework is effective: the neural signal improves learning when augmenting trajectory priorities and state-action q-values. Additionally, the framework learns successfully from offline data, offering a practical alternative for settings where real-time BCI setups are impractical or only limited data is available.
• Abstract（参考訳）: ヒューマン・イン・ザ・ループ強化学習(Human-in-the-loop Reinforcement Learning)は、ロボットの動作をユーザの好みに合わせて訓練、微調整、調整するための一般的なアプローチとなっている。 本稿では,FNIRS(Functional near-infrared spectroscopy)による脳信号を用いたシミュレーションロボット学習の実現可能性について検討する。 我々は、受動的(観測的)な相互作用タスクとアクティブ(実証的)な相互作用タスクで訓練されたエージェントを比較し、RLアルゴリズムをニューラルネットワークに拡張する複数の方法をテストする。 さらに,モデル粒度とノイズがエージェント学習に与える影響について検討する。 ニューラルネットワークは、軌道の優先順位と状態-作用q-値の増大による学習を改善する。 さらに、このフレームワークはオフラインデータからうまく学習し、リアルタイムのBCIセットアップが非現実的あるいは限られたデータしか利用できないような設定に実用的な代替手段を提供する。

関連論文リスト

• Scalable Dexterous Robot Learning with AR-based Remote Human-Robot Interactions [8.111267700755986]
  本稿では,手軽なロボットアームハンドシステムにおける操作のためのスケーラブルなロボット学習に焦点を当てた。 本稿では,汎用的な操作タスク問題に対処するための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-07T03:47:21Z)
• Mapping Neural Signals to Agent Performance, A Step Towards Reinforcement Learning from Neural Feedback [2.9060647847644985]
  NEURO-LOOPは、人間とエージェントの相互作用を促進するために、本質的な人間報酬システムを利用する暗黙のフィードバックフレームワークである。 この研究は、NEURO-LOOPフレームワークにおける重要な第一歩である脳信号をエージェントのパフォーマンスにマッピングする可能性を示している。 従来の機械学習手法を用いて,fNIRSデータとエージェント性能の関係を検証した。
  論文  参考訳（メタデータ） (2025-06-14T21:38:31Z)
• Sample Efficient Robot Learning in Supervised Effect Prediction Tasks [0.0]
  MUSEL(Model Uncertainty for Sample-Efficient Learning)は、ロボット工学における回帰タスクに適した新しいALフレームワークである。 MUSELは学習精度とサンプル効率を両立させ,情報的サンプルを選択する学習行動効果の有効性を検証した。
  論文  参考訳（メタデータ） (2024-12-03T09:48:28Z)
• Coarse-to-fine Q-Network with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
  本稿では,行動列上のQ値を出力する批判ネットワークを学習する,新しい値に基づく強化学習アルゴリズムを提案する。 実験により、CQN-ASは、様々なスパース逆ヒューマノイド制御およびテーブルトップ操作タスクにおいて、いくつかのベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-19T01:23:52Z)
• Active Exploration in Bayesian Model-based Reinforcement Learning for Robot Manipulation [8.940998315746684]
  ロボットアームのエンドタスクに対するモデルベース強化学習(RL)アプローチを提案する。 我々はベイズニューラルネットワークモデルを用いて、探索中に動的モデルに符号化された信念と情報の両方を確率論的に表現する。 実験により,ベイズモデルに基づくRL手法の利点が示された。
  論文  参考訳（メタデータ） (2024-04-02T11:44:37Z)
• RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
  我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。 提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。 このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-21T21:05:21Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Implicit Offline Reinforcement Learning via Supervised Learning [83.8241505499762]
  監視学習によるオフライン強化学習(RL)は、さまざまな専門レベルのポリシーによって収集されたデータセットからロボットスキルを学ぶための、シンプルで効果的な方法である。 我々は、暗黙的なモデルが返却情報を利用して、固定されたデータセットからロボットスキルを取得するために、明示的なアルゴリズムにマッチするか、あるいは性能を向上するかを示す。
  論文  参考訳（メタデータ） (2022-10-21T21:59:42Z)
• Accelerating Robotic Reinforcement Learning via Parameterized Action Primitives [92.0321404272942]
  強化学習は汎用ロボットシステムの構築に使用することができる。 しかし、ロボット工学の課題を解決するためにRLエージェントを訓練することは依然として困難である。 本研究では,ロボット行動プリミティブ(RAPS)のライブラリを手動で指定し,RLポリシーで学習した引数をパラメータ化する。 動作インターフェースへの簡単な変更は、学習効率とタスクパフォーマンスの両方を大幅に改善する。
  論文  参考訳（メタデータ） (2021-10-28T17:59:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。