When Dynamics Shift, Robust Task Inference Wins: Offline Imitation Learning with Behavior Foundation Models Revisited

작성자

Haebom

카테고리

Empty

저자

Rishabh Agrawal, Rahul Jain, Ashutosh Nayyar

💡 개요

본 논문은 행동 기반 모델(BFM)의 실제 환경 동적 변화에 대한 취약성을 해결하기 위해, 동적 변화에 강건한 작업 추론 방식을 제안합니다. 제안된 방식은 사전 학습된 BFM을 동적 변화에 최악의 경우에도 적응할 수 있도록 강건한 미니맥스 최적화 문제로 정식화합니다. 이를 통해 단일 환경의 오프라인 데이터만을 사용하여 동적 변화에 강건한 BFM 기반 프레임워크를 최초로 구현했으며, 성능 면에서 기존 방법론 대비 유의미한 우위를 보였습니다.

🔑 시사점 및 한계

•

기존 행동 기반 모델(BFM)이 고정된 환경 동역학을 가정하여 실제 환경 변화에 취약하다는 문제를 효과적으로 해결합니다.

•

사전 학습된 BFM을 수정하지 않고 작업 추론 단계에서 동적 변화에 대한 강건성을 확보할 수 있어 실용성을 높입니다.

•

오직 단일 명목 환경의 오프라인 데이터만을 사용하여 동적 변화에 강건한 BFM을 구축할 수 있음을 최초로 입증했습니다.

•

제안된 방법론은 실제 환경의 복잡하고 예측 불가능한 동적 변화를 모두 포괄하기에는 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage