Fugu-MT 論文翻訳(概要): Python-Based Reinforcement Learning on Simulink Models

論文の概要: Python-Based Reinforcement Learning on Simulink Models

arxiv url: http://arxiv.org/abs/2405.08567v1
Date: Tue, 14 May 2024 13:01:04 GMT
ステータス: 処理完了
システム内更新日: 2024-05-15 14:08:58.075374
Title: Python-Based Reinforcement Learning on Simulink Models
Title（参考訳）: シンクリンクモデルを用いたPythonによる強化学習
Authors: Georg Schäfer, Max Schirl, Jakob Rehrl, Stefan Huber, Simon Hirlaender,
Abstract要約: 我々は、確立したSimulink環境と、出血端エージェントのトレーニングのためのPythonの柔軟性のギャップを埋める。当社のアプローチは、多用途のデュアルローターヘリコプターであるQuanser Aero 2で実証されている。
参考スコア（独自算出の注目度）: 0.6990493129893112
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper proposes a framework for training Reinforcement Learning agents using Python in conjunction with Simulink models. Leveraging Python's superior customization options and popular libraries like Stable Baselines3, we aim to bridge the gap between the established Simulink environment and the flexibility of Python for training bleeding edge agents. Our approach is demonstrated on the Quanser Aero 2, a versatile dual-rotor helicopter. We show that policies trained on Simulink models can be seamlessly transferred to the real system, enabling efficient development and deployment of Reinforcement Learning agents for control tasks. Through systematic integration steps, including C-code generation from Simulink, DLL compilation, and Python interface development, we establish a robust framework for training agents on Simulink models. Experimental results demonstrate the effectiveness of our approach, surpassing previous efforts and highlighting the potential of combining Simulink with Python for Reinforcement Learning research and applications.
Abstract（参考訳）: 本稿では,SimulinkモデルとともにPythonを用いた強化学習エージェントを訓練するためのフレームワークを提案する。 Pythonの優れたカスタマイズオプションとStable Baselines3のような人気のあるライブラリを活用することで、確立したSimulink環境と、最先端エージェントをトレーニングするためのPythonの柔軟性のギャップを埋めることを目指しています。当社のアプローチは、多用途のデュアルローターヘリコプターであるQuanser Aero 2で実証されている。そこで本研究では,Simulinkモデルに基づいてトレーニングされたポリシーを実システムにシームレスに移行し,強化学習エージェントの効率的な開発と展開を可能にした。 Simulink からの C-code 生成,DLL コンパイル,Python インターフェース開発など,系統的な統合ステップを通じて,Simulink モデル上でエージェントをトレーニングするための堅牢なフレームワークを確立する。実験の結果,従来の取り組みを超越し,SimulinkとPythonを組み合わせた強化学習研究と応用の可能性を強調した。

関連論文リスト

ConML: A Universal Meta-Learning Framework with Task-Level Contrastive Learning [49.447777286862994]
ConMLは、さまざまなメタ学習アルゴリズムに適用可能な、普遍的なメタ学習フレームワークである。我々は、ConMLが最適化ベース、メートル法ベース、およびアモータイズベースメタ学習アルゴリズムとシームレスに統合できることを実証した。
論文参考訳（メタデータ） (2024-10-08T12:22:10Z)
AnyBipe: An End-to-End Framework for Training and Deploying Bipedal Robots Guided by Large Language Models [6.637952061378054]
本稿では,ロボットの強化学習ポリシーをトレーニングし,展開するためのエンドツーエンドフレームワークを提案する。このフレームワークは、3つの相互接続モジュールからなる: LLM誘導報酬関数設計モジュール、先行作業を活用するRLトレーニングモジュール、およびsim-to-real同型評価モジュール。本稿では,これらのモジュールの構築,従来のアプローチに対するアドバンテージを詳述するとともに,二足歩行ロボットの制御戦略を自律的に開発・洗練するフレームワークの能力を実証する。
論文参考訳（メタデータ） (2024-09-13T15:15:45Z)
Jointly Training and Pruning CNNs via Learnable Agent Guidance and Alignment [69.33930972652594]
本稿では,CNNモデルの重みと構造的プーン構造を協調的に学習するための新しい構造的プルーニング手法を提案する。本手法の中核となる要素は強化学習(RL)エージェントであり,その動作がCNNモデルの階層のプルーニング比を決定する。我々は,モデルの重みとエージェントのポリシーを反復的に訓練し,共同訓練と刈り取りを行う。
論文参考訳（メタデータ） (2024-03-28T15:22:29Z)
eipy: An Open-Source Python Package for Multi-modal Data Integration using Heterogeneous Ensembles [3.465746303617158]
eipyはオープンソースのPythonパッケージで、分類のための効果的なマルチモーダルなヘテロジニアスアンサンブルを開発する。データ統合と予測モデリングメソッドの比較と選択のための厳格でユーザフレンドリなフレームワークを提供する。
論文参考訳（メタデータ） (2024-01-17T20:07:47Z)
An Empirical Study of Multimodal Model Merging [148.48412442848795]
モデルマージは、異なるタスクでトレーニングされた複数のモデルを融合してマルチタスクソリューションを生成するテクニックである。我々は、モダリティ固有のアーキテクチャのビジョン、言語、およびクロスモーダルトランスフォーマーをマージできる新しい目標に向けて研究を行っている。本稿では,重み間の距離を推定し,マージ結果の指標となる2つの指標を提案する。
論文参考訳（メタデータ） (2023-04-28T15:43:21Z)
BEAR: Physics-Principled Building Environment for Control and Reinforcement Learning [9.66911049633598]
BEARは制御強化学習のための物理を基礎とした建築環境である。研究者はモデルベースとモデルフリーの両方のコントローラを、外部ビルディングシミュレータを併用することなく、Pythonの標準ビルディングモデルの広範なコレクションを使用してベンチマークすることができる。モデル予測制御(MPC)と2つのケーススタディを持つ最先端RL法の両方を含む,異なるコントローラによるBEARの互換性と性能を実証する。
論文参考訳（メタデータ） (2022-11-27T06:36:35Z)
PIC4rl-gym: a ROS2 modular framework for Robots Autonomous Navigation with Deep Reinforcement Learning [0.4588028371034407]
この研究は、ナビゲーションと学習の研究を強化するための基本的なモジュラーフレームワークであるtextitPIC4rl-gymを導入している。本稿では、DRLエージェントのトレーニングとテストを完全に統合したPIC4rl-gymの全体構造について述べる。モジュラーアプローチは、新しいプラットフォーム、センサー、モデルを選択することで、シミュレーションを簡単にカスタマイズするために採用されている。
論文参考訳（メタデータ） (2022-11-19T14:58:57Z)
Learning Connectivity-Maximizing Network Configurations [123.01665966032014]
本稿では、専門家からコミュニケーションエージェントを配置することを学ぶ畳み込みニューラルネットワーク(CNN)を用いた教師あり学習手法を提案する。我々は,標準ライントポロジやリングトポロジ,ランダムに生成された105万件のテストケース,トレーニング中に見えない大規模なチームについて,CNNのパフォーマンスを実証した。トレーニング後,本システムは10～20名のエージェントの最適化手法よりも2桁高速な接続構成を生成する。
論文参考訳（メタデータ） (2021-12-14T18:59:01Z)
MALib: A Parallel Framework for Population-based Multi-agent Reinforcement Learning [61.28547338576706]
人口ベースマルチエージェント強化学習(PB-MARL)は、強化学習(RL)アルゴリズムでネストした一連の手法を指す。 PB-MARLのためのスケーラブルで効率的な計算フレームワークMALibを提案する。
論文参考訳（メタデータ） (2021-06-05T03:27:08Z)
GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
論文参考訳（メタデータ） (2021-04-07T01:08:18Z)
Sim-Env: Decoupling OpenAI Gym Environments from Simulation Models [0.0]
強化学習(RL)は、AI研究の最も活発な分野の1つです。開発方法論はまだ遅れており、RLアプリケーションの開発を促進するための標準APIが不足している。多目的エージェントベースのモデルと派生した単一目的強化学習環境の分離開発と保守のためのワークフローとツールを提示する。
論文参考訳（メタデータ） (2021-02-19T09:25:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。