【論文紹介】Rethinking Policy Diversity in Ensemble Policy Gradient in Large-Scale Reinforcement LearningNew!!
ロボットが物をつかんだり、指先で物体の向きを変えたりする動作を身につける方法の一つに、「強化学習」があります。これは、人間が何度も転びながら自転車に乗る方法を学ぶように、試行錯誤の結果をもとに、よりよい行動の選び方を学ぶ方法です。近年は、コンピュータ上で数万ものシミュレーション環境を同時に動かし、大量の経験からロボットを学習させられるようになりました。
では、たくさんのロボットに、どのように試行錯誤させればよいのでしょうか。人間が何かを学ぶときには、一人で練習するだけでなく、複数人で違う方法を試し、その経験から学ぶことがあります。ただし、複数人で学ぶ場合も、各自がばらばらに取り組むことと、互いの経験を活かしながら協力することは同じではありません。AIでも、それぞれが違う探索をすれば、それだけで学習がうまく進むのでしょうか。それとも、集めた経験を活かせるように、探索の仕方を調整する必要があるのでしょうか。
私たちは、この問いを、複数のAIが集めた経験を一つのAIに集約する「リーダー・フォロワー方式」で調べました。そして、それぞれの探索をリーダーの学びにつなげる手法、Coupled Policy Optimization（CPO）を提案しました。
本研究は、機械学習分野の国際会議 ICLR 2026 に採択されました。
【論文紹介】Unsupervised Domain Adaptation for Robust Imitation Learning under Visual PerturbationsNew!!
画像入力を用いたロボットマニピュレーションシステムは、視覚入力のドメインシフトによって性能が低下しやすいという課題があります。強化学習ではデータ拡張が広く使われていますが、模倣学習への応用はまだ十分に検討されていません。私たちは2段階の学習手法を提案します。第1段階では、データ拡張を活用してドメインシフトへの頑健性を高める敵対的特徴学習の枠組みを構築します。第2段階では、収集の容易な画像データのみを用いてモデルを対象環境に適応させる、教師なしドメイン適応手法を導入します。
シミュレーションと実機ロボットの両方での実験により、提案手法が元のドメインでの性能を維持しつつ、照明条件の変化、背景の変更、環境中の妨害物体といった視覚的な外乱に対して高い耐性を示すことを確認しました。
本研究は、ロボティクスやオートメーションの分野の国際的なトップ会議 ICRA 2026 (the 2026 IEEE International Conference on Robotics & Automation) に採択され、オーストリアのウィーンで6月1日から5日まで開催された会議において発表されました。
実機ロボットによる両腕操作を行うための、ロボティクス基盤モデルの事後学習 〜 RSS 2026 "Post-Training for Robotics Foundation Models Challenge" テクニカルレポート 〜
ロボティクス基盤モデルの事後学習をテーマとするコンペティション「Post-Training for Robotics Foundation Models Challenge」に、 当研究室から博士課程学生の阿部 陽樹さんと原 健宏さんが参加し、優勝を果たしました。 本コンペティションは、ロボティクス分野のトップカンファレンスの一つである RSS 2026 において開催されたものです。
この記事は、詳細を記載したテクニカルレポートの抄訳です。
【論文紹介】Revisiting Regularized Policy Optimization for Stable and Efficient Reinforcement Learning in Two-Player Games
AlphaGo をはじめとするゲームAIは、囲碁や将棋などで人間を上回る強さを実現してきました。ゲームAIの研究で培われた技術は、数学の問題を解いたり、新しいアルゴリズムを発見したりするなど、ゲームの枠を超えた課題にも活用されています。こうしたゲームAIの強さを支える仕組みの一つが、候補となる手の先で起こり得る展開を何度もシミュレーションし、有望な手を探す「先読み探索」です。しかし、この仕組みを用いて学習を行うには大規模な計算資源が必要なため、強いゲームAIを再現したり、新しいゲームに応用したりすることは、限られた研究組織にしかできませんでした。
そこで本研究では、学習中に先読み探索を行わず、AIが自分自身と対戦して得た経験から良い手を直接学ぶゲームAI「KLENT」を提案しました。5種類のボードゲームを用いた実験では、先読み探索を使う既存手法に匹敵する強さに、より少ない計算で到達し、最大4倍の学習効率を達成しました。これにより、より多くの研究者や開発者がゲームAIを試し、新しいゲームやより一般的な意思決定問題に応用できる可能性が広がります。本研究は、機械学習分野のトップカンファレンスであるInternational Conference on Machine Learning（ICML 2026）に採択されました。
オープンな医療用大規模日本語視覚言語モデルの開発
当研究室では、日本語に特化したオープンな医療用大規模視覚言語モデルを開発し、今年3月にプレスリリースを出しました。発表されたモデルは、画像とテキストを扱うことができる「マルチモーダル」なモデルで、日本語の医療用データに特化しており、142億パラメータを有します。同月に開催された言語処理学会第32回年次大会（NLP2026）では、安道健一郎客員研究員、黒瀬優介特任講師を含む研究グループから 「医療用大規模日本語視覚言語モデルの構築」のタイトルで発表を行い、優秀賞を受賞しました。
国際会議 ECCV 2026 に3本の論文が採択されました
コンピュータビジョンに関するトップカンファレンスの一つである ECCV 2026 (The 19th European Conference on Computer Vision) において、当研究室から3本の論文が採択されました。
国際会議 IROS 2026 に1本の論文が採択されました
ロボティクス分野におけるトップカンファレンスの一つである IROS 2026 (2026 IEEE/RSJ International Conference on Intelligent Robots and Systems)において、当研究室から1本の論文が採択されました。
NTIRE 2026 Challenge
2026年6月3日から7日まで、米デンバー州の Colorado Convention Center にて、コンピュータビジョン分野のトップ会議である CVPR が開催されます。この CVPR において併催される “NTIRE 2026” は、画像の復元や強調に関するワークショップであり、様々なチャレンジ（競技会）が開催されます。
NTIRE 2026 において、当研究室は２つのチャレンジの運営に参加しています。
国際会議 ICML 2026 に1本の論文が採択されました
機械学習分野のトップ会議 ICML 2026 (Forty-Third International Conference on Machine Learning) において、当研究室から1本の論文が採択されました。
【論文紹介】SceneProp: Combining Neural Network and Markov Random Field for Scene-Graph Grounding
視覚グラウンディング（visual grounding）は、文章などの特定物体を指し示す記述から画像内の対象物を特定するタスクであり、ロボット操作における指示文の理解や、対象物の特定が不可欠な画像に対する質問応答など、さまざまな応用において重要な役割を果たします。 当研究室から発表された論文 "SceneProp: Combining Neural Network and Markov Random Field for Scene-Graph Grounding" では、文章の代わりに物体間の関係性を構造化した形式を用いることにより、GPT-4o など既存の手法では不可能だった複雑なグラウンディングを可能にしました。 本論文は、主要なコンピュータビジョンの国際学会のひとつであるWinter Conference on Applications of Computer Vision (WACV) 2026にて発表されました。
この成果により、ロボットにおいて指示文へ追従する精度の向上や、視覚言語モデルと組み合わせることにより、さらなる画像に対する質問応答の性能向上が期待できます。