論文の概要: A Benchmark Environment for Offline Reinforcement Learning in Racing Games

• arxiv url: http://arxiv.org/abs/2407.09415v1
• Date: Fri, 12 Jul 2024 16:44:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-15 22:48:56.046505
• Title: A Benchmark Environment for Offline Reinforcement Learning in Racing Games
• Title（参考訳）: レーシングゲームにおけるオフライン強化学習のためのベンチマーク環境
• Authors: Girolamo Macaluso, Alessandro Sestini, Andrew D. Bagdanov,
• Abstract要約: オフライン強化学習(英語: Offline Reinforcement Learning、ORL)は、従来の強化学習(RL)の高サンプリング複雑さを減らすための有望なアプローチである。 本稿では,ORL研究のための新しい環境であるOfflineManiaを紹介する。 TrackManiaシリーズにインスパイアされ、Unity 3Dゲームエンジンで開発された。
• 参考スコア（独自算出の注目度）: 54.83171948184851
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Offline Reinforcement Learning (ORL) is a promising approach to reduce the high sample complexity of traditional Reinforcement Learning (RL) by eliminating the need for continuous environmental interactions. ORL exploits a dataset of pre-collected transitions and thus expands the range of application of RL to tasks in which the excessive environment queries increase training time and decrease efficiency, such as in modern AAA games. This paper introduces OfflineMania a novel environment for ORL research. It is inspired by the iconic TrackMania series and developed using the Unity 3D game engine. The environment simulates a single-agent racing game in which the objective is to complete the track through optimal navigation. We provide a variety of datasets to assess ORL performance. These datasets, created from policies of varying ability and in different sizes, aim to offer a challenging testbed for algorithm development and evaluation. We further establish a set of baselines for a range of Online RL, ORL, and hybrid Offline to Online RL approaches using our environment.
• Abstract（参考訳）: オフライン強化学習(英語: Offline Reinforcement Learning、ORL)は、継続的環境相互作用の必要性を排除し、従来の強化学習(RL)の高サンプリング複雑さを減らすための有望なアプローチである。 ORLは、事前コンパイルされたトランジションのデータセットを利用して、過剰な環境クエリがトレーニング時間を増やし、現代のAAAゲームのような効率を低下させるタスクへのRLの適用範囲を広げる。 本稿では,OfflineManiaをORL研究の新しい環境として紹介する。 TrackManiaシリーズにインスパイアされ、Unity 3Dゲームエンジンで開発された。 環境は、最適なナビゲーションによってトラックを完了させることを目標とする単一エージェントレースゲームをシミュレートする。 ORL性能を評価するためのさまざまなデータセットを提供する。 これらのデータセットは、さまざまな能力と異なる大きさのポリシーから作成され、アルゴリズムの開発と評価のための挑戦的なテストベッドを提供することを目指している。 さらに,我々の環境を利用したオンラインRL,ORL,Offline to Online RLアプローチの一連のベースラインを確立する。

関連論文リスト

• D5RL: Diverse Datasets for Data-Driven Deep Reinforcement Learning [99.33607114541861]
  ロボット操作と移動環境の現実的なシミュレーションに焦点を当てたオフラインRLのための新しいベンチマークを提案する。 提案するベンチマークでは、状態ベースドメインと画像ベースドメインを対象とし、オフラインRLとオンライン微調整評価の両方をサポートしている。
  論文  参考訳（メタデータ） (2024-08-15T22:27:00Z)
• Preference Elicitation for Offline Reinforcement Learning [59.136381500967744]
  オフラインの嗜好に基づく強化学習アルゴリズムであるSim-OPRLを提案する。 本アルゴリズムは,配当外データに対する悲観的アプローチと,最適方針に関する情報的嗜好を得るための楽観的アプローチを用いる。
  論文  参考訳（メタデータ） (2024-06-26T15:59:13Z)
• H2O+: An Improved Framework for Hybrid Offline-and-Online RL with Dynamics Gaps [31.608209251850553]
  我々はH2O+と呼ばれる新しいアルゴリズムを開発し、オフラインおよびオンライン学習の様々な選択肢を橋渡しする優れた柔軟性を提供します。 先進的なクロスドメインとオフラインのRLアルゴリズムよりも優れた性能と柔軟性を示す。
  論文  参考訳（メタデータ） (2023-09-22T08:58:22Z)
• A Survey on Model-based Reinforcement Learning [21.85904195671014]
  強化学習(Reinforcement Learning, RL)は、環境と対話する試行錯誤プロセスを通じて、シーケンシャルな意思決定問題を解決する。 モデルベース強化学習(MBRL)は有望な方向であり、実際のコストなしで試行錯誤を行う環境モデルを構築する。
  論文  参考訳（メタデータ） (2022-06-19T05:28:03Z)
• Automated Reinforcement Learning (AutoRL): A Survey and Open Problems [92.73407630874841]
  AutoRL(Automated Reinforcement Learning)には、AutoMLの標準的なアプリケーションだけでなく、RL特有の課題も含まれている。 我々は共通の分類法を提供し、各領域を詳細に議論し、今後の研究者にとって関心のあるオープンな問題を提起する。
  論文  参考訳（メタデータ） (2022-01-11T12:41:43Z)
• RL Unplugged: A Suite of Benchmarks for Offline Reinforcement Learning [108.9599280270704]
  オフラインのRL手法を評価・比較するためのRL Unpluggedというベンチマークを提案する。 RL Unpluggedにはゲームやシミュレートされたモーター制御問題を含むさまざまな領域のデータが含まれている。 本論文で提示した全タスクのデータと,全アルゴリズムをオープンソースとして公開する。
  論文  参考訳（メタデータ） (2020-06-24T17:14:51Z)
• The NetHack Learning Environment [79.06395964379107]
  本稿では、強化学習研究のための手続き的に生成されたローグのような環境であるNetHack Learning Environment(NLE)を紹介する。 我々は,NetHackが,探索,計画,技術習得,言語条件付きRLといった問題に対する長期的な研究を促進するのに十分複雑であると主張している。 我々は,分散されたDeep RLベースラインとランダムネットワーク蒸留探索を用いて,ゲームの初期段階における実験的な成功を示す。
  論文  参考訳（メタデータ） (2020-06-24T14:12:56Z)

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。