論文の概要: Learning When to Adapt: Reactivity-Conditioned Residual Adaptation under Human-Robot Distribution Shift

• arxiv url: http://arxiv.org/abs/2610.25419v1
• Date: Sun, 18 Oct 2026 17:18:11 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:22:06.260873
• Title: Learning When to Adapt: Reactivity-Conditioned Residual Adaptation under Human-Robot Distribution Shift
• Title（参考訳）: 人間-ロボットの分布シフト下での反応性を考慮した残像適応の学習
• Abstract要約: RCRAは、推定された歩行者の反応に応じて、凍結した保守的なナビゲーションポリシーの周辺で学習された残量を変調する。 トランスフォーマーに基づく推定器は、移動履歴とロボットコンテキストから潜伏した歩行者の反応を推定する。 これは、反応訓練されたポリシーよりも平均SRを14.88ドルの割合で改善する。
• 参考スコア（独自算出の注目度）: 6.061153855851692
• License:
• Abstract: Pedestrians differ in whether they respond to a robot, yet many RL policies assume all are non-reactive to prioritize safety. Policies trained without conditioning on local pedestrians' reactivity may therefore be unnecessarily conservative or rely on cooperation that does not occur. We propose RCRA, an online adaptation framework that modulates a learned residual around a frozen conservative navigation policy according to estimated pedestrian reactivity. A Transformer-based estimator infers latent pedestrian reactivity from motion histories and robot context, providing a more accurate signal for navigation adaptation and improving scenario-averaged simulation accuracy by $12.62$ percentage points over the Bayesian baseline, which assumes known pedestrian goals. These estimates are spatially aggregated into an adaptation scale that gates LoRA modules, enabling cooperative behavior near reactive pedestrians and conservative behavior near non-reactive pedestrians. Among baselines achieving SR above $90\%$ in every scenario, RCRA reduces scenario-averaged path length by $16.7\%$ relative to the conservative backbone and by $7.3\%$ relative to randomized-training baselines. It improves mean SR by $14.88$ percentage points over the reactive-trained policy.
• Abstract（参考訳）: 歩行者はロボットに反応するかどうかが異なるが、多くのRLポリシーは安全を優先しないと仮定している。 したがって、地元の歩行者の反応を条件にしないで訓練された政策は、不要に保守的であるか、発生しない協力に依存している可能性がある。 提案するRCRAは,凍結した保守的なナビゲーションポリシーの周囲の学習残量を推定された歩行者の反応に応じて調整するオンライン適応フレームワークである。 トランスフォーマーベースの推定器は、移動履歴とロボットのコンテキストから潜伏した歩行者の反応を推定し、ナビゲーション適応のためのより正確な信号を提供し、ベイズベースライン上でのシナリオ平均シミュレーションの精度を12.62ドルポイント向上させる。 これらの推定値は、LoRAモジュールをゲートする適応尺度に空間的に集約され、反応性歩行者と非反応性歩行者との協調行動と、非反応性歩行者との協調行動を可能にする。 SRを90 %以上達成するベースラインの中で、RCRAはシナリオ平均パス長を保守的なバックボーンに対して16.7 %、ランダム化されたトレーニングベースラインに対して7.3 %削減する。 これは、反応訓練されたポリシーよりも平均SRを14.88ドルの割合で改善する。

関連論文リスト

• FSPO: Policy-Consistent Risk and Pareto-Feasible Control for Budgeted LLM RL Post-Training [22.731514214998185]
  予算付きLLM RLポストトレーニングのためのフィードバック状態制御系FSPOを紹介する。 ベルマンが将来の決定に使用するのと同じフリーズコントローラを目標とする、ポリシー一貫性のあるリスク・ツー・ゴーモデルを学ぶ。 3組の訓練種子は、保持およびOOD評価の文脈的包帯に対して+2.42と+3.19の利得を与える。
  論文  参考訳（メタデータ） (2026-10-02T05:19:54Z)
• Self-Confirming Superposition Traps in Reinforcement Learning [62.71685993550818]
  強化学習はエージェントのポリシーによって選択されたデータに基づいて表現し、その結果のリターンを使って次の選択を導く。 これらのデータに対して表現フィッティングがグローバルに最適である場合でも,このループは低リターンポリシーを維持可能であることを示す。
  論文  参考訳（メタデータ） (2026-09-26T21:56:26Z)
• Stable and Efficient Real-World Online VLA Post-Training via Asynchronous Replay-Anchored Policy Improvement [60.83624556700821]
  本稿では,リプレイ動作における批評家とアクターの更新の両方を基盤として,ロールアウトと学習を同時に行うフレームワークを提案する。 RAPolicyを4つのシングルタスク設定と1つのジョイント5タスク設定で実世界で評価し,オンライントレーニングの予算は1～2時間に過ぎなかった。
  論文  参考訳（メタデータ） (2026-09-19T08:45:18Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• Zero2Skill: Bootstrapping Robot Skills through Autonomous Data Collection, Training, and Deployment [53.913175773174636]
  既存のパイプラインは、自己リセット、VLM検証、言語指導による修正を通じて、人間の労力を減らす。 Zero2Skill(ゼロ2スキル)は、人ロボットの共生型エージェントシステムで、丸ごとの修正を維持・再利用する。
  論文  参考訳（メタデータ） (2026-07-15T17:16:24Z)
• CoPark: Learning Reactive Parking via Self-Play [14.401678604179116]
  CoParkは、残余の政治アーキテクチャ上に構築されたマルチエージェントのセルフプレイRLアプローチである。 我々は,Dragon Lake Parking(DLP)とDeep Open 3D(DSC3D)にまたがる新しいリアクティブパーキングベンチマークで,6つの駐車場でポリシーをトレーニングし,ゼロショットを評価する。 CoParkは70～85%の成功を達成し、衝突速度はわずか3～6%で、古典的、模倣学習、大規模RLベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2026-06-02T19:16:05Z)
• Risk-Aware Human-in-the-Loop Framework with Adaptive Intrusion Response for Autonomous Vehicles [9.818695109452861]
  自律走行車のためのリスク認識型ヒューマン・イン・ザ・ループ・フレームワークであるRAILを提案する。 RAILは、重み付きノイズORを介して3つのキューを侵入リスクスコア(IRS)に融合させる。 MetaDriveでは、テストリターン(TR)が360.65、テスト成功率(TSR)が0.85、テスト安全違反(TSV)が0.75、外乱率(DR)が0.0027である。
  論文  参考訳（メタデータ） (2026-01-16T21:08:01Z)
• i-Rebalance: Personalized Vehicle Repositioning for Supply Demand Balance [11.720716530010323]
  深部強化学習(DRL)を用いた個別車両再配置手法i-Rebalanceを提案する。 i-Re Balanceは、99人のリアルドライバーを含む実地ユーザスタディを通じて、リポジションレコメンデーションを受け入れる際のドライバーの判断を推定する。 実世界の軌道データの評価では、i-リバランスはドライバーの受け入れ率を38.07%、ドライバーの総収入を9.97%改善している。
  論文  参考訳（メタデータ） (2024-01-09T08:51:56Z)
• RORL: Robust Offline Reinforcement Learning via Conservative Smoothing [72.8062448549897]
  オフライン強化学習は、複雑な意思決定タスクに大量のオフラインデータを活用できる。 現在のオフラインRLアルゴリズムは一般に、値推定とアクション選択のために保守的に設計されている。 本稿では,ロバストオフライン強化学習(RORL)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T18:07:41Z)

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。