論文の概要: Synthetic vs. Real Training Data for Visual Navigation

• arxiv url: http://arxiv.org/abs/2509.11791v1
• Date: Mon, 15 Sep 2025 11:22:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.246551
• Title: Synthetic vs. Real Training Data for Visual Navigation
• Title（参考訳）: ビジュアルナビゲーションのための合成対リアルトレーニングデータ
• Authors: Lauri Suomela, Sasanka Kuruppu Arachchige, German F. Torres, Harry Edelman, Joni-Kristian Kämäräinen,
• Abstract要約: 本稿では、シミュレーションで訓練された視覚ナビゲーションポリシーの性能と実世界のデータで訓練されたポリシーとを比較検討する。 我々は,事前学習した視覚表現を活用し,ロボットハードウェア上でリアルタイムに動作させることにより,実物と実物とのギャップを埋めるナビゲーションポリシーアーキテクチャを用いる。 本研究は, 実データを用いたトレーニングよりも, 実データによるトレーニングを模擬する上で, 現場学習を重要視する上で, 多様な画像エンコーダの事前学習の重要性を強調した。
• 参考スコア（独自算出の注目度）: 6.5298097830674635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates how the performance of visual navigation policies trained in simulation compares to policies trained with real-world data. Performance degradation of simulator-trained policies is often significant when they are evaluated in the real world. However, despite this well-known sim-to-real gap, we demonstrate that simulator-trained policies can match the performance of their real-world-trained counterparts. Central to our approach is a navigation policy architecture that bridges the sim-to-real appearance gap by leveraging pretrained visual representations and runs real-time on robot hardware. Evaluations on a wheeled mobile robot show that the proposed policy, when trained in simulation, outperforms its real-world-trained version by 31% and the prior state-of-the-art methods by 50% in navigation success rate. Policy generalization is verified by deploying the same model onboard a drone. Our results highlight the importance of diverse image encoder pretraining for sim-to-real generalization, and identify on-policy learning as a key advantage of simulated training over training with real data.
• Abstract（参考訳）: 本稿では、シミュレーションで訓練された視覚ナビゲーションポリシーの性能と実世界のデータで訓練されたポリシーとを比較検討する。 シミュレータ訓練されたポリシーの性能劣化は、実世界で評価されるときにしばしば顕著である。 しかし、このよく知られたシミュレート・トゥ・リアルのギャップにもかかわらず、シミュレータ・トレーニングされたポリシーが実世界のトレーニングされたポリシーの性能と一致することを実証する。 私たちのアプローチの中心は、トレーニング済みの視覚表現を活用し、ロボットハードウェア上でリアルタイムに実行することで、シミュレートとリアルの外観ギャップを橋渡しするナビゲーションポリシーアーキテクチャです。 車輪付き移動ロボットの評価によると、シミュレーションで訓練された場合、提案されたポリシーは実世界の訓練されたバージョンを31%上回り、従来の最先端の手法を50%上回っている。 ポリシの一般化は、同じモデルをドローンにデプロイすることで検証される。 本研究は, 実データを用いたトレーニングよりも, 実データによるトレーニングを模擬する上で, 現場学習を重要視する上で, 画像エンコーダの事前学習の重要性を強調した。

関連論文リスト

• Real-is-Sim: Bridging the Sim-to-Real Gap with a Dynamic Digital Twin [8.498460043101499]
  我々は、シミュレーションを行動クローニングパイプラインに統合するための新しいアプローチである、Real-is-simを導入する。 デプロイ前にポリシーを安全にテストする機能がない実際のメソッドや、sim-to-realメソッドとは対照的に、sim-to-realギャップを横断するために複雑な適応を必要とするsim-to-realメソッドがある。 当社のフレームワークでは,実際のハードウェア上での動作と,並列化された仮想環境での動作とをシームレスに切り替えることが可能です。
  論文  参考訳（メタデータ） (2025-04-04T17:05:56Z)
• Empirical Analysis of Sim-and-Real Cotraining of Diffusion Policies for Planar Pushing from Pixels [18.858676073824515]
  シミュレーションと実際のハードウェアの両方で生成された実演データとのコトレーニングが、ロボット工学における模倣学習をスケールするための有望なレシピとして登場した。 この研究は、シミュレーション設計、sim-and-realデータセット作成、ポリシートレーニングを知らせるために、sim-and-realコトレーニングの基本原則を解明することを目指している。
  論文  参考訳（メタデータ） (2025-03-28T17:25:57Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Robust Visual Sim-to-Real Transfer for Robotic Manipulation [79.66851068682779]
  シミュレーションにおけるビジュモータポリシーの学習は、現実世界よりも安全で安価である。 しかし、シミュレーションデータと実データとの相違により、シミュレータ訓練されたポリシーは実際のロボットに転送されると失敗することが多い。 視覚的なsim-to-real領域ギャップを埋める一般的なアプローチは、ドメインランダム化(DR)である。
  論文  参考訳（メタデータ） (2023-07-28T05:47:24Z)
• DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality [64.51295032956118]
  我々は人型ロボットの手で頑健な操作を行える政策を訓練する。 本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
  論文  参考訳（メタデータ） (2022-10-25T01:51:36Z)
• Cloud-Edge Training Architecture for Sim-to-Real Deep Reinforcement Learning [0.8399688944263843]
  深層強化学習(DRL)は、環境との相互作用を通じてポリシーを学習することで複雑な制御課題を解決するための有望な手法である。 Sim-to-realアプローチはシミュレーションを利用してDRLポリシーを事前訓練し、現実世界にデプロイする。 本研究では,リアルタイムにDRLエージェントをトレーニングするための分散クラウドエッジアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-03-04T10:27:01Z)
• Practical Imitation Learning in the Real World via Task Consistency Loss [18.827979446629296]
  本稿では,機能レベルと行動予測レベルの両方において,シミュレートと実際のアライメントを促進する自己監督的損失を提案する。 我々は、シミュレートとリアルで遠隔操作されたデモンストレーションを16.2時間しか使っていない10のシーンで80%の成功を達成した。
  論文  参考訳（メタデータ） (2022-02-03T21:43:06Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)
• Simulation-based reinforcement learning for real-world autonomous driving [9.773015744446067]
  実物大の車両を制御する駆動システムを実現するために,シミュレーションにおいて強化学習を用いる。 駆動ポリシは、単一のカメラからのRGBイメージと、それらのセマンティックセグメンテーションを入力として取り込む。 主に合成データを使用し、ラベル付き実世界のデータはセグメンテーションネットワークのトレーニングにのみ現れる。
  論文  参考訳（メタデータ） (2019-11-29T00:08:58Z)

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。