Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Diffusion Policies for Out-of-Distribution Generalization in Offline Reinforcement Learning

Created by
  • Haebom

저자

Suzan Ece Ada, Erhan Oztop, Emre Ugur

개요

본 논문은 오프라인 강화학습에서 분포 이동 문제를 해결하기 위해 상태 재구성 기능 학습을 확산 정책에 통합한 새로운 방법인 SRDP(State Reconstruction for Diffusion Policies)를 제안합니다. SRDP는 일반화 가능한 상태 표현을 학습하여 OOD(out-of-distribution) 상태로 인한 분포 이동을 완화합니다. 2D 다중 모드 상황적 밴딧 환경(실제 UR10 로봇 및 시뮬레이션)과 표준 연속 제어 벤치마크(D4RL)에서 기존 알고리즘과 비교하여 OOD 일반화 및 빠른 수렴을 보여줍니다. 특히, 상태 재구성의 중요성을 ablation study를 통해 입증하고, 특히 상태 공간의 다양한 영역이 제거된 희소 연속 제어 탐색 작업에서 경쟁 기준 모델보다 167% 향상된 성능을 달성합니다.

시사점, 한계점

•
시사점:
◦
오프라인 강화학습에서 OOD 일반화 문제를 효과적으로 해결하는 새로운 방법(SRDP) 제시.
◦
상태 재구성 기능 학습의 중요성을 실험적으로 증명.
◦
다양한 환경(2D 다중 모드 상황적 밴딧, D4RL 벤치마크)에서 우수한 성능을 달성.
◦
희소 보상 환경에서 기존 방법 대비 성능 향상.
•
한계점:
◦
제안된 방법의 일반화 성능이 특정 환경에 국한될 가능성.
◦
더욱 복잡하고 다양한 환경에서의 추가적인 실험 필요.
◦
상태 재구성 과정의 계산 비용 및 효율성 개선 필요.
👍
Made with Slashpage