ETHチューリッヒとバークレー：144タスクでのRL事後学習が汎用ロボット方策を未知のシーン・物体で改善

なぜ重要か

汎用ロボット方策を単一タスクで事後学習すると、そのタスクは向上するが他では悪化しやすい。本研究は訓練タスク数を1から144まで変え、批評器誘導の強化学習が、多様性の増加とともに「忘却」から「汎化」へ移ることを示した。シーンの多様性は新しいシーンに、物体の多様性は新しい物体に効き、追加した物体カテゴリが未知の物体に似ているほど転移が強い。結果はすべてシミュレーションで、論文はICLR 2027への投稿であり査読前だ。実機での検証と、OGPO手法のコード公開が注目点となる。