論文の概要: Sim2Real Reinforcement Learning for Soccer skills

• arxiv url: http://arxiv.org/abs/2512.12437v1
• Date: Sat, 13 Dec 2025 19:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 14:48:05.948919
• Title: Sim2Real Reinforcement Learning for Soccer skills
• Title（参考訳）: サッカースキルのためのSim2Real Reinforcement Learning
• Authors: Jonathan Spraggett,
• Abstract要約: この論文は、強化学習(RL)を用いたヒューマノイドロボットの制御関連タスクの訓練に、より効率的かつ効果的なアプローチを示すものである。 従来のRL法は、現実世界の環境、複雑さ、自然運動に適応するのに限られている。 シミュレーションから実世界への学習方針の移譲は成功しなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This thesis work presents a more efficient and effective approach to training control-related tasks for humanoid robots using Reinforcement Learning (RL). The traditional RL methods are limited in adapting to real-world environments, complexity, and natural motions, but the proposed approach overcomes these limitations by using curriculum training and Adversarial Motion Priors (AMP) technique. The results show that the developed RL policies for kicking, walking, and jumping are more dynamic, and adaptive, and outperformed previous methods. However, the transfer of the learned policy from simulation to the real world was unsuccessful, highlighting the limitations of current RL methods in fully adapting to real-world scenarios.
• Abstract（参考訳）: この論文は、強化学習(RL)を用いたヒューマノイドロボットの制御関連タスクの訓練に、より効率的かつ効果的なアプローチを示すものである。 従来のRL法は実世界の環境,複雑性,自然運動に適応するに限られるが,提案手法はカリキュラムトレーニングやAMP(Adversarial Motion Priors)技術を用いてこれらの制限を克服する。 その結果、キック、ウォーキング、ジャンプのためのRLポリシーはよりダイナミックで適応的で、従来の手法よりも優れていた。 しかし,シミュレーションから実世界への学習方針の移転は失敗に終わり,実世界のシナリオに完全に適応する現在のRL手法の限界が浮き彫りになった。

関連論文リスト

• Precise and Dexterous Robotic Manipulation via Human-in-the-Loop Reinforcement Learning [47.785786984974855]
  本稿では,多種多様な操作タスクに対して印象的な性能を示す,ループ内視覚に基づくRLシステムを提案する。 提案手法では,実証と人間の修正,効率的なRLアルゴリズム,その他のシステムレベルの設計選択を統合してポリシを学習する。 提案手法は,再現学習のベースラインと先行RLアプローチを著しく上回り,成功率の平均2倍,実行速度1.8倍に向上した。
  論文  参考訳（メタデータ） (2024-10-29T08:12:20Z)
• Benchmarking Reinforcement Learning Methods for Dexterous Robotic Manipulation with a Three-Fingered Gripper [0.7364531214545392]
  強化学習(RL)トレーニングは主に費用対効果と制御されたシミュレーション環境で行われる。 本研究では,厳密な操作を行うための実世界の制御環境におけるRLアルゴリズムの直接訓練について検討する。
  論文  参考訳（メタデータ） (2024-08-27T02:52:15Z)
• Grow Your Limits: Continuous Improvement with Real-World RL for Robotic Locomotion [66.69666636971922]
  本稿では,ロボットの学習過程における探索を調節するポリシー正規化フレームワークであるAPRLを提案する。 APRLは四足歩行ロボットを、数分で完全に現実世界を歩けるように効率よく学習する。
  論文  参考訳（メタデータ） (2023-10-26T17:51:46Z)
• Model-Based Reinforcement Learning with Multi-Task Offline Pretraining [59.82457030180094]
  本稿では,オフラインデータから新しいタスクへ,潜在的に有用なダイナミックスや動作デモを伝達するモデルベースRL法を提案する。 主な考え方は、世界モデルを行動学習のシミュレーターとしてだけでなく、タスクの関連性を測定するツールとして使うことである。 本稿では,Meta-WorldとDeepMind Control Suiteの最先端手法と比較して,我々のアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2023-06-06T02:24:41Z)
• 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)
• Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
  本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。 エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
  論文  参考訳（メタデータ） (2020-04-29T18:00:22Z)

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。