現実世界RLにおける最適でない人間介入の活用

この論文は、現実世界強化学習における重要な課題、つまり、最適でない可能性のある人間介入を、それらに過度に制約されることなく、学習を加速するためにどのように効果的に利用するかという問題に取り組んでいます。提案されたSiLRIアルゴリズムは、問題を制約付きRL最適化として定式化し、状態ごとのラグランジュ乗数を使用して人間介入の不確実性を考慮することにより、新しいアプローチを提供します。結果は、既存の方法と比較して、学習速度と成功率の大幅な改善を示しており、ロボット操作におけるこのアプローチの実用的な価値を強調しています。

• •現実世界RLにおける最適でない人間介入の問題に対処。
• •状態ごとのラグランジュ強化学習アルゴリズムであるSiLRIを提案。
• •問題を制約付きRL最適化として定式化。
• •学習速度と成功率の大幅な改善を実証。
• •長期間の操作タスクで100％の成功を達成。