論文の概要: When Will You Hand It Over? A Hidden Start Delay Makes Self-Play Handover Robust to Unfamiliar Partners
- arxiv url: http://arxiv.org/abs/2611.18491v1
- Date: Fri, 13 Nov 2026 18:04:37 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:30:22.726905
- Title: When Will You Hand It Over? A Hidden Start Delay Makes Self-Play Handover Robust to Unfamiliar Partners
- Title(参考訳): いつ手放すの? 隠れたスタートが遅れて、親しみのないパートナーにセルフプレイのハンドオーバがロバストになる
- Abstract要約: 協調的なセルフプレイは、ヒューマノイドに人間のデータなしでオブジェクトを受け取るように教えることができます。
流動的なセルフプレイのハンドオーバポリシが、馴染みのないパートナと断絶し、主な原因を特定し、修復することを示します。
- 参考スコア(独自算出の注目度): 2.251144141805694
- License:
- Abstract: Cooperative self-play can teach a humanoid to receive an object without any human data, but the partner it meets after training is never the one it trained with; we show that a fluent self-play handover policy breaks with unfamiliar partners, identify the main cause, and repair it. In a physics-based parcel handover between a Unitree G1 and a learned giver, both trained by alternating PPO self-play, the receiver completes 95% and 90% of handovers with its own partner (two training seeds) but only 31% with scripted partners it has never met. Paired interventions isolate the cause: under a shared reward the learned giver always starts its offer at once, so the receiver learns a single rendezvous, and delaying its own partner by one second cuts success from 95% to 6% (87% to 34% in the second seed). We introduce hidden start-delay randomisation (HSD), a one-line rule on the learned partner that the receiver never observes. After 300 further updates, success with unseen scripted partners rises from 31% to 80% in both seeds, against 35--41% for a budget-matched control. The gain holds on a fresh scenario seed, on eleven held-out partner conditions and on partners that start later than any training delay; it cuts high-force contact three- to five-fold and needs no retraining of the partner.
- Abstract(参考訳): 協調的なセルフプレイは、ヒューマノイドに、人間のデータなしでオブジェクトを受け取るように教えることができますが、トレーニング後に出会ったパートナーは、訓練されたパートナーではありません。
ユニツリーG1と学習したグルーパー間の物理ベースのパーセルハンドオーバにおいて、どちらもPPOの自己プレイを交互に訓練し、レシーバーは、自身のパートナー(2つのトレーニングシード)とハンドオーバの95%と90%を完了させるが、これまで会ったことのないスクリプト付きパートナーとの31%しか持たない。
ペア化された介入は、原因を分離する: 共有報酬の下では、学習者は常に一度に提案を開始するので、レシーバーは単一のランデブーを学習し、1秒で自身のパートナーを95%から6%に削減する(第2シードでは87%から34%)。
我々は,学習者に対して,受信者が決して観察しない1行ルールである隠れ開始遅延ランダム化(HSD)を導入する。
さらに300回の更新の後、見当たらないスクリプト付きパートナーによる成功は、両方のシードで31%から80%に上昇し、予算に適合したコントロールでは35~41%となった。
この収益は、新しいシナリオのシード、保留中のパートナー条件、トレーニングの遅れよりも遅く始まるパートナー、そして3倍から5倍の高力接触を減らし、パートナーの再トレーニングを必要としない。
関連論文リスト
- Cognitively Constrained Partners for Zero-Shot Coordination in Real-Time Partitioned Control [0.0]
本稿では,認知的制約のあるパートナーに対して,チームエージェントを訓練するためのフレームワークを提案する。
改良されたLunar Lander環境では、これらのパートナーが非拘束のエージェントよりもリアルな人間のように振る舞うという予備的な証拠を報告します。
論文 参考訳(メタデータ) (2026-10-22T13:53:38Z) - The Best Second Opinion Is Right Where the Primary Is Wrong: Partner Selection for Selective Span Tagging [0.11280931253550518]
リスクによってアウトプットをランク付けするスパンタグは、最もリスクの高いタグを人物に延期することができ、第2モデルは、このランク付けを研ぐことができる。
8つのタグ付けタイプ、3つのシード、3つのイングリッシュベンチマークで、プライマリのエラーのホールドアウト精度でパートナーを選択すると、最高のパートナーの利益の82%が回復する。
LoRAでチューニングされたデコーダでは、独立して訓練されたパートナが、プライマリネットワークのすべてのリードアウトを破ります。
論文 参考訳(メタデータ) (2026-10-12T03:01:35Z) - AutodidactWAM: Cross-Modal Self-Distillation from Generated Video to Robot Actions [2.2935396753701065]
世界行動モデル(WAM)は、観察と指示から将来のビデオとロボットのアクションを共同で生成する。
クローズドループ実ロボット試験を3段階の累積段階(プレグラス,グリップ,ピック・アンド・プレイス)で評価した。
本稿では,遠隔操作を伴わない手動推定器AutodidactWAMを提案する。
論文 参考訳(メタデータ) (2026-10-06T10:39:42Z) - Shockingly Simple Self-retrospection Improves Agentic Models Without RL [56.88703385147974]
本研究は,説明のみの訓練がその後の行動に与える影響を分離するために,レトロスペクティブ・オンリー・ファインチューニングについて検討する。
Qwen3.5-4B を用いたソフトウェア工学実験では、ROFT は成功と失敗の混合したベースモデルの試行に関する問題で訓練されている。
また、64のサンプルベースモデル試みが失敗する個々のタスクの解決も学べる。
論文 参考訳(メタデータ) (2026-09-28T17:54:24Z) - Learn Now, Use Next, Trust Later: Prequential Test-Time Learning for LLM Agents [55.440058537827134]
StepLearnは、永続的な信頼から即時の使用を分離する非パラメトリックフレームワークである。
情報的な遷移を仮説に変え、次のステップを導く。
GPT-5-miniでの平均成功率は59.9%、84.0%、Qwen3.5-35B-A3Bで57.8%、88.1%である。
論文 参考訳(メタデータ) (2026-09-28T08:06:03Z) - CORE: Collaborative Reasoning via Cross Teaching [11.841736034560187]
Collaborative Reasoning (CORE)は、ピア成功を学習信号に変換するトレーニングタイムコラボレーションフレームワークである。
GSM8K, MATH, AIME, GPQAの4つの標準推論データセットでCOREを評価する。
論文 参考訳(メタデータ) (2026-01-29T12:07:54Z) - PECAN: Leveraging Policy Ensemble for Context-Aware Zero-Shot Human-AI
Coordination [52.991211077362586]
本研究では,集団におけるパートナーの多様性を高めるための政策アンサンブル手法を提案する。
そこで我々は,egoエージェントがパートナーの潜在的ポリシープリミティブを分析し,識別するためのコンテキスト認識手法を開発した。
このようにして、エゴエージェントは多様なパートナーとの共同作業において、より普遍的な協調行動を学ぶことができる。
論文 参考訳(メタデータ) (2023-01-16T12:14:58Z) - Mastering the Game of No-Press Diplomacy via Human-Regularized
Reinforcement Learning and Planning [95.78031053296513]
ノープレス外交(No-press Diplomacy)は、協力と競争の両方を含む複雑な戦略ゲームである。
我々は、人間の模倣学習ポリシーに対する報酬最大化ポリシーを規則化する、DiL-piKLと呼ばれる計画アルゴリズムを導入する。
RL-DiL-piKLと呼ばれる自己再生強化学習アルゴリズムに拡張可能であることを示す。
論文 参考訳(メタデータ) (2022-10-11T14:47:35Z) - Collaborating with Humans without Human Data [6.158826414652401]
我々は、人間のデータを用いずに、人間のパートナーとうまく協力するエージェントを訓練する方法の問題点について研究する。
私たちは、セルフプレイエージェントとその過去のチェックポイントに対する最も良い反応として、エージェントパートナーを訓練します。
新規なエージェントとヒトのパートナーと組み合わせた場合, FCPエージェントはSP, PP, BCPよりも有意に高いスコアを示した。
論文 参考訳(メタデータ) (2021-10-15T16:03:57Z) - On the Critical Role of Conventions in Adaptive Human-AI Collaboration [73.21967490610142]
規則依存表現と規則依存表現を区別する学習フレームワークを提案する。
複雑性が異なる3つの共同作業に対するアプローチを実験的に検証します。
論文 参考訳(メタデータ) (2021-04-07T02:46:19Z)
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。