論文の概要: Sim2Sea: Sim-to-Real Policy Transfer for Maritime Vessel Navigation in Congested Waters

• arxiv url: http://arxiv.org/abs/2603.04057v1
• Date: Wed, 04 Mar 2026 13:36:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.321254
• Title: Sim2Sea: Sim-to-Real Policy Transfer for Maritime Vessel Navigation in Congested Waters
• Title（参考訳）: Sim2Sea: 密集海域における海上船舶航行のためのシミュレーショナル・ツー・リアル・ポリシー・トランスファー
• Authors: Xinyu Cui, Xuanfa Jin, Xue Yan, Yongcheng Zeng, Luoyang Sun, Siying Wei, Ruizhi Zhang, Jian Zhao, Haifeng Zhang, Jun Wang,
• Abstract要約: Sim2Seaはシミュレーションと実世界の実行をブリッジするために設計された包括的なフレームワークである。 我々は,スケーラブルで正確な海洋シナリオシミュレーションのためのGPU加速並列シミュレータを開発した。 その結果,提案手法は既存のベースラインよりも高速に収束し,トラジェクトリがより安全であることが示された。
• 参考スコア（独自算出の注目度）: 12.551759198727487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous navigation in congested maritime environments is a critical capability for a wide range of real-world applications. However, it remains an unresolved challenge due to complex vessel interactions and significant environmental uncertainties. Existing methods often fail in practical deployment due to a substantial sim-to-real gap, which stems from imprecise simulation, inadequate situational awareness, and unsafe exploration strategies. To address these, we propose \textbf{Sim2Sea}, a comprehensive framework designed to bridge simulation and real-world execution. Sim2Sea advances in three key aspects. First, we develop a GPU-accelerated parallel simulator for scalable and accurate maritime scenario simulation. Second, we design a dual-stream spatiotemporal policy that handles complex dynamics and multi-modal perception, augmented with a velocity-obstacle-guided action masking mechanism to ensure safe and efficient exploration. Finally, a targeted domain randomization scheme helps bridge the sim-to-real gap. Simulation results demonstrate that our method achieves faster convergence and safer trajectories than established baselines. In addition, our policy trained purely in simulation successfully transfers zero-shot to a 17-ton unmanned vessel operating in real-world congested waters. These results validate the effectiveness of Sim2Sea in achieving reliable sim-to-real transfer for practical autonomous maritime navigation.
• Abstract（参考訳）: 密集した海洋環境における自律的なナビゲーションは、幅広い現実世界のアプリケーションにとって重要な機能である。 しかし、複雑な容器の相互作用と重要な環境不確実性のため、未解決の課題である。 既存の手法は、不正確なシミュレーション、不適切な状況認識、安全でない探査戦略から生じる、実質的なシミュレート・トゥ・リアルのギャップのために、現実的な展開で失敗することが多い。 これらの問題に対処するために,シミュレーションと実世界の実行を橋渡しする包括的フレームワークである \textbf{Sim2Sea} を提案する。 Sim2Seaは3つの重要な側面で前進する。 まず、スケーラブルで正確な海洋シナリオシミュレーションのためのGPU加速並列シミュレータを開発する。 第二に、複雑な力学とマルチモーダル知覚を扱う二重ストリーム時空間ポリシーを設計し、安全かつ効率的な探索を実現するために、速度-障害物誘導動作マスキング機構を付加した。 最後に、ターゲットとなるドメインランダム化スキームは、sim-to-realギャップをブリッジするのに役立つ。 シミュレーションにより,提案手法は確立されたベースラインよりも高速に収束し,トラジェクトリを安全にすることを示す。 さらに,本政策は,実世界の密集海域で稼働する17トンの無人船にゼロショットを転送することに成功した。 これらの結果から,Sim2Seaの実用自律航法における信頼性の高いSim-to-realトランスファーの実現効果が検証された。

関連論文リスト

• SimScale: Learning to Drive via Real-World Simulation at Scale [45.08991279559151]
  本稿では,既存の運転ログ上に巨大な未確認状態を合成可能な,新規でスケーラブルなシミュレーションフレームワークを提案する。 我々のパイプラインは、高度なニューラルレンダリングとリアクティブ環境を利用して、高忠実度マルチビュー観測を生成する。 我々は、これらの新しいシミュレーション状態に対する擬似経験的軌跡生成機構を開発し、行動監視を行う。
  論文  参考訳（メタデータ） (2025-11-28T17:17:38Z)
• SPiDR: A Simple Approach for Zero-Shot Safety in Sim-to-Real Transfer [60.19411648245077]
  悲観的領域ランダム化によるSim-to-realの略称であるSPiDRを提案する。 SPiDRは、安全なsim-to-real転送を保証するスケーラブルなアルゴリズムである。 我々は,SPiDRが性能を維持しつつ,シミュレートとリアルのギャップを保ちながら,安全性を効果的に確保できることを実証した。
  論文  参考訳（メタデータ） (2025-09-23T05:03:00Z)
• Safety-Critical Traffic Simulation with Adversarial Transfer of Driving Intentions [11.633051537198687]
  IntSimは、周囲の俳優の運転意図を運動計画から明確に切り離す戦略である。 IntSimは、現実的な安全クリティカルなシナリオをシミュレートして最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-07T06:59:27Z)
• Vid2Sim: Realistic and Interactive Simulation from Video for Urban Navigation [62.5805866419814]
  Vid2Simは、ニューラル3Dシーンの再構築とシミュレーションのためのスケーラブルで費用効率のよいReal2simパイプラインを通じてsim2realギャップをブリッジする新しいフレームワークである。 実験により、Vid2Simはデジタル双生児と現実世界の都市ナビゲーションの性能を31.2%、成功率68.3%で大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-01-12T03:01:15Z)
• Sim-to-Real Transfer of Deep Reinforcement Learning Agents for Online Coverage Path Planning [22.077058792635313]
  被覆経路計画は、制限された地域の自由空間全体をカバーする経路を見つける問題である。 本稿では,この課題に対する連続空間強化学習の有効性について検討する。 提案手法は従来のRLに基づく手法と高度に専門化された手法の両方の性能を上回ることを示す。
  論文  参考訳（メタデータ） (2024-06-07T13:24:19Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Provable Sim-to-real Transfer in Continuous Domain with Partial Observations [39.18274543757048]
  シン・トゥ・リアル・トランスファー(英語版)は、シミュレーション環境でRLエージェントを訓練し、実世界で展開する。 実環境における最適政策と競合するシミュレートされた環境から、人気のある頑健な対人訓練アルゴリズムが、ポリシーを学習できることを示す。
  論文  参考訳（メタデータ） (2022-10-27T16:37:52Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• TrafficSim: Learning to Simulate Realistic Multi-Agent Behaviors [74.67698916175614]
  リアル交通シミュレーションのためのマルチエージェント行動モデルであるTrafficSimを提案する。 特に、暗黙の潜在変数モデルを利用して、共同アクターポリシーをパラメータ化する。 TrafficSimは、多様なベースラインと比較して、より現実的で多様なトラフィックシナリオを生成します。
  論文  参考訳（メタデータ） (2021-01-17T00:29:30Z)
• 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。