論文の概要: ASBI: Leveraging Informative Real-World Data for Active Black-Box Simulator Tuning

• arxiv url: http://arxiv.org/abs/2510.15331v1
• Date: Fri, 17 Oct 2025 05:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.482871
• Title: ASBI: Leveraging Informative Real-World Data for Active Black-Box Simulator Tuning
• Title（参考訳）: ASBI: アクティブブラックボックスシミュレータチューニングのためのインフォーマティブな実世界データを活用する
• Authors: Gahee Kim, Takamitsu Matsubara,
• Abstract要約: ブラックボックスシミュレータはロボット工学で広く使われているが、そのパラメータを最適化することは、アクセス不能な可能性のために難しいままである。 本研究では,実世界のオンラインデータを積極的に収集するロボットを用いたパラメータ推定フレームワークである能動シミュレーションベース推論(ASBI)を提案する。
• 参考スコア（独自算出の注目度）: 4.246528354565986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Black-box simulators are widely used in robotics, but optimizing their parameters remains challenging due to inaccessible likelihoods. Simulation-Based Inference (SBI) tackles this issue using simulation-driven approaches, estimating the posterior from offline real observations and forward simulations. However, in black-box scenarios, preparing observations that contain sufficient information for parameter estimation is difficult due to the unknown relationship between parameters and observations. In this work, we present Active Simulation-Based Inference (ASBI), a parameter estimation framework that uses robots to actively collect real-world online data to achieve accurate black-box simulator tuning. Our framework optimizes robot actions to collect informative observations by maximizing information gain, which is defined as the expected reduction in Shannon entropy between the posterior and the prior. While calculating information gain requires the likelihood, which is inaccessible in black-box simulators, our method solves this problem by leveraging Neural Posterior Estimation (NPE), which leverages a neural network to learn the posterior estimator. Three simulation experiments quantitatively verify that our method achieves accurate parameter estimation, with posteriors sharply concentrated around the true parameters. Moreover, we show a practical application using a real robot to estimate the simulation parameters of cubic particles corresponding to two real objects, beads and gravel, with a bucket pouring action.
• Abstract（参考訳）: ブラックボックスシミュレータはロボット工学で広く使われているが、そのパラメータを最適化することは、アクセス不能な可能性のために難しいままである。 シミュレーションベース推論(SBI)は、シミュレーション駆動のアプローチを用いて、オフラインの実観測と前方シミュレーションから後部を推定する。 しかし,ブラックボックスのシナリオでは,パラメータと観測値の未知の関係のため,パラメータ推定に十分な情報を含む観測を作成することは困難である。 本研究では,実世界のオンラインデータを積極的に収集し,正確なブラックボックスシミュレータチューニングを実現するためのパラメータ推定フレームワークであるActive Simulation-Based Inference (ASBI)を提案する。 本フレームワークは,後方と後方のシャノンエントロピーの低減を期待する情報ゲインを最大化することにより,ロボットの動作を最適化し,情報収集を行う。 情報ゲインの計算にはブラックボックスシミュレータではアクセスできない可能性が必要であるが,ニューラルネットワークを利用して後部推定を学習するニューラル後推定(NPE)を用いてこの問題を解決する。 3つのシミュレーション実験により,本手法が正確なパラメータ推定を実現することを定量的に検証した。 さらに,2つの実物体,ビーズと砂利に対応する立方体粒子のシミュレーションパラメータをバケット注ぐ動作で推定するために,実ロボットを用いた実用的応用を示す。

関連論文リスト

• Active Sequential Posterior Estimation for Sample-Efficient Simulation-Based Inference [12.019504660711231]
  逐次的神経後部推定(ASNPE)を導入する。 ASNPEは、シミュレーションパラメータ候補の効用を基礎となる確率モデルに推定するために、推論ループにアクティブな学習スキームをもたらす。 提案手法は,大規模実世界の交通ネットワークにおいて,高度に調整されたベンチマークと最先端の後方推定手法より優れる。
  論文  参考訳（メタデータ） (2024-12-07T08:57:26Z)
• Compositional simulation-based inference for time series [21.9975782468709]
  シミュレーションデータに基づいてニューラルネットワークをトレーニングし、ベイズ推論を実行する方法。 シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。 本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用できるSBI手法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T01:55:07Z)
• Embed and Emulate: Contrastive representations for simulation-based inference [11.543221890134399]
  本稿では,新しいシミュレーションベース推論(SBI)手法であるEmbed and Emulate(E&E)を紹介する。 E&Eはデータと対応する高速エミュレータの低次元潜伏埋め込みを潜伏空間に学習する。 本研究では,現実的なパラメータ推定タスクにおいて,既存の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-27T02:37:01Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Robust Neural Posterior Estimation and Statistical Model Criticism [1.5749416770494706]
  モデラーはシミュレータを真のデータ生成プロセスの理想主義的な表現として扱わなければならない。 本研究では,シミュレーションモデルにおけるブラックボックスパラメータ推論を可能にするアルゴリズムのクラスであるNPEを再検討する。 一方,NPEを経時的に用いた場合,不特定性の存在は信頼できない推論につながることが判明した。
  論文  参考訳（メタデータ） (2022-10-12T20:06:55Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
  シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。 ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。 実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:55Z)
• 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)
• Leveraging Vision and Kinematics Data to Improve Realism of Biomechanic Soft-tissue Simulation for Robotic Surgery [13.657060682152409]
  ロボット内視鏡手術で得られたライブデータは,不正確なFEMシミュレーション結果の修正にどのように用いられるかを検討する。 我々はオープンソースのda Vinciオペレーショナルシステムを用いて,ソフトチップのファントムを探索し,シミュレーションでインタラクションを再現する。 予測メッシュ位置と測定点雲との差を補正するために,ネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-03-14T00:16:08Z)

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。