論文の概要: Gym4ReaL: A Suite for Benchmarking Real-World Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2507.00257v1
• Date: Mon, 30 Jun 2025 20:47:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:58.843655
• Title: Gym4ReaL: A Suite for Benchmarking Real-World Reinforcement Learning
• Title（参考訳）: Gym4ReaL: 実世界の強化学習をベンチマークするためのスイート
• Authors: Davide Salaorni, Vincenzo De Paola, Samuele Delpero, Giovanni Dispoto, Paolo Bonetti, Alessio Russo, Giuseppe Calcagno, Francesco Trovò, Matteo Papini, Alberto Maria Metelli, Marco Mussi, Marcello Restelli,
• Abstract要約: 我々は,RLアルゴリズムの開発と評価を支援するために設計された,現実的な環境のスイートであるtextttGym4ReaLを紹介した。 実験の結果,標準RLアルゴリズムはルールベースベンチマークに対する競合性を検証した。
• 参考スコア（独自算出の注目度）: 46.03129508525389
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, \emph{Reinforcement Learning} (RL) has made remarkable progress, achieving superhuman performance in a wide range of simulated environments. As research moves toward deploying RL in real-world applications, the field faces a new set of challenges inherent to real-world settings, such as large state-action spaces, non-stationarity, and partial observability. Despite their importance, these challenges are often underexplored in current benchmarks, which tend to focus on idealized, fully observable, and stationary environments, often neglecting to incorporate real-world complexities explicitly. In this paper, we introduce \texttt{Gym4ReaL}, a comprehensive suite of realistic environments designed to support the development and evaluation of RL algorithms that can operate in real-world scenarios. The suite includes a diverse set of tasks that expose algorithms to a variety of practical challenges. Our experimental results show that, in these settings, standard RL algorithms confirm their competitiveness against rule-based benchmarks, motivating the development of new methods to fully exploit the potential of RL to tackle the complexities of real-world tasks.
• Abstract（参考訳）: 近年,多種多様なシミュレーション環境下で超人的性能を達成するために,RL(emph{Reinforcement Learning})が著しく進歩している。 研究が実世界のアプリケーションにRLをデプロイする方向に進むにつれ、この分野は、大きな状態アクション空間、非定常性、部分的可観測性など、現実世界の環境に固有の新しい課題に直面している。 それらの重要性にもかかわらず、これらの課題は、しばしば現在のベンチマークで過小評価され、理想化され、完全に観測可能で、定常的な環境に焦点を合わせ、現実世界の複雑さを明示的に組み込むことを無視する傾向にある。 本稿では,実世界のシナリオで動作可能なRLアルゴリズムの開発と評価を支援するために設計された,現実的な環境の包括的スイートである \texttt{Gym4ReaL} を紹介する。 このスイートにはさまざまなタスクセットが含まれており、アルゴリズムをさまざまな実践的な課題にさらしている。 これらの実験結果から,標準RLアルゴリズムはルールベースベンチマークに対する競合性を検証し,実世界のタスクの複雑さに対処するためのRLの可能性を完全に活用する新たな手法の開発を動機付けていることがわかった。

関連論文リスト

• Towards Realistic Data Generation for Real-World Super-Resolution [58.99206459754721]
  RealDGenは、現実世界の超解像のために設計された教師なし学習データ生成フレームワークである。 我々は,コンテンツ分解脱結合拡散モデルに統合されたコンテンツと劣化抽出戦略を開発する。 実験により、RealDGenは、現実世界の劣化を反映する大規模で高品質なペアデータを生成するのに優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-11T13:34:57Z)
• Learning Curricula in Open-Ended Worlds [17.138779075998084]
  この論文は、Unsupervised Environment Design (UED)と呼ばれる手法のクラスを開発する。 環境設計空間が与えられたら、UEDは自動的に訓練環境の無限のシーケンスやカリキュラムを生成する。 本論文は,UEDオートキュリキュラがRL薬を産生し,ロバスト性を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2023-12-03T16:44:00Z)
• Staged Reinforcement Learning for Complex Tasks through Decomposed Environments [4.883558259729863]
  RL問題を実問題に近似する2つの方法について議論する。 交通ジャンクションシミュレーションの文脈において、複雑なタスクを複数のサブタスクに分解できれば、これらのタスクを最初に解くのが有利であることを示す。 多エージェントの観点から、我々は、CTDE(Centralized Training Decentralized Execution)と呼ばれる一般的なパラダイムの下で学んだ経験の活用を活用するトレーニング構造化機構を導入する。
  論文  参考訳（メタデータ） (2023-11-05T19:43:23Z)
• Contextualize Me -- The Case for Context in Reinforcement Learning [49.794253971446416]
  文脈強化学習(cRL)は、このような変化を原則的にモデル化するためのフレームワークを提供する。 我々は,cRLが有意義なベンチマークや一般化タスクに関する構造化推論を通じて,RLのゼロショット一般化の改善にどのように貢献するかを示す。
  論文  参考訳（メタデータ） (2022-02-09T15:01:59Z)
• Autonomous Reinforcement Learning: Formalism and Benchmarking [106.25788536376007]
  人間や動物が行うような現実世界の具体的学習は、連続的で非エポゾディックな世界にある。 RLの一般的なベンチマークタスクはエピソジックであり、試行錯誤によってエージェントに複数の試行を行う環境がリセットされる。 この相違は、擬似環境向けに開発されたRLアルゴリズムを現実世界のプラットフォーム上で実行しようとする場合、大きな課題となる。
  論文  参考訳（メタデータ） (2021-12-17T16:28:06Z)
• Scenic4RL: Programmatic Modeling and Generation of Reinforcement Learning Environments [89.04823188871906]
  リアルタイム戦略(RTS)環境では,多様な現実シナリオの生成が難しい。 既存のシミュレータのほとんどは環境をランダムに生成することに頼っている。 我々は、研究者を支援するために、既存の形式シナリオ仕様言語であるSCENICを採用する利点を紹介する。
  論文  参考訳（メタデータ） (2021-06-18T21:49:46Z)
• An empirical investigation of the challenges of real-world reinforcement learning [29.841552004806932]
  我々は、RLが現実世界のシステムに一般的にデプロイされるために必要な困難を具現化する一連の独立した課題を特定し、フォーマル化する。 私たちは、提案された課題に対処するアプローチは、多くの現実世界の問題に容易にデプロイできると信じています。
  論文  参考訳（メタデータ） (2020-03-24T11:05:41Z)

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。