研究者らは、割引報酬からエージェントごとのガウス行動潜在変数を学習し、解釈可能な軸に沿ってシミュレートされたエージェントを誘導することを可能にするフレームワークであるControllable Neural Variational Agents (CNeVA) を導入した。本システムは整流フロー軌道生成器に条件付けを行い、硬閾値では失敗する箇所において勾配信号を保持するためにソフト適格ゲートを採用している。

  • CNeVAはWaymo Open Motion Dataset上で閉形式の共役変分更新を通じて行動潜在変数を推論する。
  • ソフト適格ゲートは指数関数的減衰を用いて二値閾値に置き換え、閾値付近のエージェントにおける勾配フローを維持する。
  • このモデルは競争力のあるリアリズムを実現しつつ、上位の模倣学習モデルが欠如しているチャネルごとの制御可能性を提供する。
  • 報酬ハッキングの交絡を防ぐため、ステアリング指標は物理的妥当性のガードレールと共に評価されなければならない。

このアプローチにより、エンジニアは変数を分離し、現実世界でのリスクなしに自律システムのテストのために特定のエッジケースを再現できる。