論文の概要: The Reality Gap in Robotics: Challenges, Solutions, and Best Practices

• arxiv url: http://arxiv.org/abs/2510.20808v1
• Date: Thu, 23 Oct 2025 17:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.539942
• Title: The Reality Gap in Robotics: Challenges, Solutions, and Best Practices
• Title（参考訳）: ロボティクスにおける現実のギャップ:挑戦、解決、そしてベストプラクティス
• Authors: Elie Aljalbout, Jiaxu Xing, Angel Romero, Iretiayo Akinola, Caelan Reed Garrett, Eric Heiden, Abhishek Gupta, Tucker Hermans, Yashraj Narang, Dieter Fox, Davide Scaramuzza, Fabio Ramos,
• Abstract要約: Sim-to-realトランスファーは、ロボット工学における最も急進的な課題の1つだ。 sim-to-realトランスファーの最近の進歩は、様々なプラットフォームで有望な結果を示している。 しかし、課題は継続し、現実のギャップの根本原因と解決策をより深く理解する必要がある。
• 参考スコア（独自算出の注目度）: 42.74136594950574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has facilitated significant advancements across various robotics domains, including navigation, locomotion, and manipulation. Many such achievements have been driven by the extensive use of simulation as a critical tool for training and testing robotic systems prior to their deployment in real-world environments. However, simulations consist of abstractions and approximations that inevitably introduce discrepancies between simulated and real environments, known as the reality gap. These discrepancies significantly hinder the successful transfer of systems from simulation to the real world. Closing this gap remains one of the most pressing challenges in robotics. Recent advances in sim-to-real transfer have demonstrated promising results across various platforms, including locomotion, navigation, and manipulation. By leveraging techniques such as domain randomization, real-to-sim transfer, state and action abstractions, and sim-real co-training, many works have overcome the reality gap. However, challenges persist, and a deeper understanding of the reality gap's root causes and solutions is necessary. In this survey, we present a comprehensive overview of the sim-to-real landscape, highlighting the causes, solutions, and evaluation metrics for the reality gap and sim-to-real transfer.
• Abstract（参考訳）: 機械学習は、ナビゲーション、移動、操作など、さまざまなロボティクス領域における大幅な進歩を促進している。 このような成果の多くは、実環境に展開する前にロボットシステムのトレーニングとテストを行う重要なツールとして、シミュレーションの広範囲な使用によって推進されている。 しかしシミュレーションは、現実のギャップとして知られるシミュレーション環境と実環境の相違を必然的に導入する抽象化と近似で構成されている。 これらの相違は、シミュレーションから実世界へのシステム移行の成功を著しく妨げている。 このギャップを埋めることは、ロボティクスにおける最も急進的な課題の1つだ。 最近のsim-to-realトランスファーの進歩は、移動、ナビゲーション、操作など、様々なプラットフォームで有望な結果を示している。 ドメインのランダム化、リアルタイム転送、状態と動作の抽象化、およびsim-real co-trainingといった技術を活用することで、多くの研究が現実のギャップを克服した。 しかし、課題は継続し、現実のギャップの根本原因と解決策をより深く理解する必要がある。 本稿では,シム・トゥ・リアル・ランドスケープを概観し,現実のギャップとシム・トゥ・リアル・トランスファーの要因,解決策,評価指標を概観する。

関連論文リスト

• The Sound of Simulation: Learning Multimodal Sim-to-Real Robot Policies with Generative Audio [138.07247714782412]
  MultiGenは、大規模な生成モデルを従来の物理シミュレータに統合するフレームワークである。 容器や液体を注ぐ現実世界への効果的なゼロショット転送を実証する。
  論文  参考訳（メタデータ） (2025-07-03T17:59:58Z)
• From Abstraction to Reality: DARPA's Vision for Robust Sim-to-Real Autonomy [6.402441477393285]
  TIAMATは、動的および複雑な環境にまたがる自律技術の迅速かつ堅牢な移行に取り組むことを目的としている。 現在のシミュレート・トゥ・リアル(シミュレート・トゥ・リアル)転送の方法は、しばしば高忠実度シミュレーションに依存している。 TIAMATのアプローチは、効果的かつ迅速な現実世界適応のための抽象的から現実的移行を実現することを目的としている。
  論文  参考訳（メタデータ） (2025-03-14T02:06:10Z)
• How Simulation Helps Autonomous Driving:A Survey of Sim2real, Digital Twins, and Parallel Intelligence [16.24370001383615]
  シミュレーションで学んだ運転知識を現実に適応させる方法が重要な問題となっている。 仮想シミュレーションの世界は、照明、テクスチャ、車両のダイナミクス、エージェントの振る舞いなど多くの面で現実世界と異なる。 現実のギャップ問題に対処するアプローチの3つのカテゴリ - シミュレーションから現実への知識伝達(sim2real)、デジタル双生児における学習(DT)、並列インテリジェンスによる学習(PI)
  論文  参考訳（メタデータ） (2023-05-02T09:00:32Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)
• Sim-to-Real Transfer in Deep Reinforcement Learning for Robotics: a Survey [0.07366405857677225]
  深層強化学習におけるsim-to-realトランスファーの背景について述べる。 本稿では,ドメインランダム化,ドメイン適応,模倣学習,メタラーニング,知識蒸留の3つの主要な手法について概説する。
  論文  参考訳（メタデータ） (2020-09-24T21:05:46Z)
• 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)

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。