論文の概要: Fuzzy Logic Theory-based Adaptive Reward Shaping for Robust Reinforcement Learning (FARS)

• arxiv url: http://arxiv.org/abs/2604.15772v1
• Date: Fri, 17 Apr 2026 07:25:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.788096
• Title: Fuzzy Logic Theory-based Adaptive Reward Shaping for Robust Reinforcement Learning (FARS)
• Title（参考訳）: ファジィ論理理論に基づくロバスト強化学習のための適応的逆整形
• Authors: Hürkan Şahin, Van Huyen Dang, Erdi Sayar, Alper Yegenoglu, Erdal Kayacan,
• Abstract要約: 強化学習(Reinforcement Learning、RL)は、高次元の状態空間と長い地平線を持つ現実世界のタスクでしばしば苦労する。 本稿では,人間の直感をRL報酬設計に統合するファジィ論理に基づく報酬形成手法を提案する。
• 参考スコア（独自算出の注目度）: 2.8055179094637683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reinforcement learning (RL) often struggles in real-world tasks with high-dimensional state spaces and long horizons, where sparse or fixed rewards severely slow down exploration and cause agents to get trapped in local optima. This paper presents a fuzzy logic based reward shaping method that integrates human intuition into RL reward design. By encoding expert knowledge into adaptive and interpreable terms, fuzzy rules promote stable learning and reduce sensitivity to hyperparameters. The proposed method leverages these properties to adapt reward contributions based on the agent state, enabling smoother transitions between fast motion and precise control in challenging navigation tasks. Extensive simulation results on autonomous drone racing benchmarks show stable learning behavior and consistent task performance across scenarios of increasing difficulty. The proposed method achieves faster convergence and reduced performance variability across training seeds in more challenging environments, with success rates improving by up to approximately 5 percent compared to non fuzzy reward formulations.
• Abstract（参考訳）: 強化学習(Reinforcement Learning、RL)は、しばしば高次元の状態空間や長い地平線を持つ現実世界のタスクで苦労する。 本稿では,人間の直感をRL報酬設計に統合するファジィ論理に基づく報酬形成手法を提案する。 専門家の知識を適応的で解釈可能な用語に符号化することにより、ファジィルールは安定した学習を促進し、ハイパーパラメータに対する感度を低下させる。 提案手法は,これらの特性を利用してエージェントの状態に基づいて報酬の寄与を適応し,高速動作と難易度の高いナビゲーションタスクの正確な制御のスムーズな遷移を可能にする。 自律型ドローンレースベンチマークの大規模なシミュレーション結果は、学習行動の安定と、難易度が増大するシナリオ間の一貫したタスクパフォーマンスを示す。 提案手法は,非ファジィ報酬の定式化と比較して,より困難な環境下での訓練種子間の高速収束と性能変動の低減を実現し,成功率を最大5%向上させる。

関連論文リスト

• Match or Replay: Self Imitating Proximal Policy Optimization [14.033176618356746]
  強化学習(RL)エージェントは、しばしば非効率な探索に苦しむ。 従来の探索戦略は、学習の遅さと最適以下のパフォーマンスにつながる可能性がある。 本稿では,探索とサンプル効率を向上させる自己模倣型オン・ポリシーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-29T04:44:48Z)
• Adaptive Milestone Reward for GUI Agents [38.548364518806046]
  本稿では,Adaptive Milestone Reward (ADMIRE) 機構を提案する。 ADMIREは、軌道をマイルストーンに固定することで、検証可能な適応的な報酬システムを構築する。 実験によると、ADMIREは成功率において10%以上の絶対的な改善をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T03:31:40Z)
• ArenaRL: Scaling RL for Open-Ended Agents via Tournament-based Relative Ranking [84.07076200941474]
  ArenaRLは、ポイントワイドスカラースコアからグループ内相対ランクにシフトする強化学習パラダイムである。 我々は,グループ内対角アリーナを構築し,安定した有利な信号を得るためのトーナメントベースのランキングスキームを考案する。 実験により、ArenaRLは標準のRLベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-01-10T08:43:07Z)
• Sample-Efficient Neurosymbolic Deep Reinforcement Learning [49.60927398960061]
  本稿では,背景記号知識を統合し,サンプル効率を向上させるニューロシンボリックディープRL手法を提案する。 オンライン推論は2つのメカニズムを通じてトレーニングプロセスのガイドを行う。 我々は、最先端の報奨機ベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2026-01-06T09:28:53Z)
• Towards better dense rewards in Reinforcement Learning Applications [0.7344790292816897]
  強化学習(RL)分野における意味的かつ正確な高密度報酬の発見は基本的な課題である デンス報酬関数は、エージェントの振る舞いを形作り、学習を加速することで潜在的な解決策を提供する。 本提案では,未解決問題に対処し,高密度報酬構築の有効性と信頼性を高めるためのいくつかのアプローチについて検討する。
  論文  参考訳（メタデータ） (2025-12-03T22:36:55Z)
• Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
  適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。 SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2025-09-20T17:09:14Z)
• Beyond Human Preferences: Exploring Reinforcement Learning Trajectory Evaluation and Improvement through LLMs [12.572869123617783]
  強化学習(Reinforcement Learning, RL)は、複雑なゲームタスクにおけるポリシートラジェクトリを評価する上での課題である。 PbRLは、人間の嗜好を重要な報酬信号として活用する先駆的なフレームワークである。 LLM4PG という LLM 対応自動選好生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-28T04:21:24Z)
• Reinforcement Learning from Diverse Human Preferences [68.4294547285359]
  本稿では,人選好ラベルをクラウドソーシングし,多様な嗜好から学習する手法を開発した。 提案手法はDMcontrolとMeta-worldの様々なタスクでテストされる。 多様なフィードバックから学ぶと、既存の好みベースのRLアルゴリズムよりも一貫性があり、大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-27T15:18:54Z)
• Reinforcement Learning for Robust Missile Autopilot Design [0.0]
  この研究は、飛行制御のフレームワークとして強化学習を提案する先駆者である。 TRPOの手法では、収集されたエクスペリエンスはHERに従って拡張され、リプレイバッファに格納され、その重要性に応じてサンプリングされる。 その結果、最適な性能を達成し、不確実性に対するエージェントの堅牢性を改善することが可能であることがわかった。
  論文  参考訳（メタデータ） (2020-11-26T09:30:04Z)

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。