論文の概要: Web-Gewu: A Browser-Based Interactive Playground for Robot Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2604.17050v1
• Date: Sat, 18 Apr 2026 16:08:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.307851
• Title: Web-Gewu: A Browser-Based Interactive Playground for Robot Reinforcement Learning
• Title（参考訳）: Web-Gewu: ロボット強化学習のためのブラウザベースインタラクティブプレイグラウンド
• Authors: Kaixuan Chen, Linqi Ye,
• Abstract要約: Web-Gewuは、クラウド・エッジ・クライアント・コラボレーティブアーキテクチャ上に構築された対話型ロボティクス教育プラットフォームである。 このシステムは、すべての物理シミュレーションと強化学習トレーニングをエッジノードにオフロードする。 Web-Gewuは、高度にスケーラブルで、アウト・オブ・ザ・ボックス(out-of-of-the-box)で、インテリジェンスを具体化するバリアフリーな教育基盤を提供する。
• 参考スコア（独自算出の注目度）: 3.337549990679896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid development of embodied intelligence, robotics education faces a dual challenge: high computational barriers and cumbersome environment configuration. Existing centralized cloud simulation solutions incur substantial GPU and bandwidth costs that preclude large-scale deployment, while pure local computing is severely constrained by learners' hardware limitations. To address these issues, we propose \href{http://47.76.242.88:8080/receiver/index.html}{Web-Gewu}, an interactive robotics education platform built on a WebRTC cloud-edge-client collaborative architecture. The system offloads all physics simulation and reinforcement learning (RL) training to the edge node, while the cloud server acts exclusively as a lightweight signaling relay, enabling extremely low-cost browser-based peer-to-peer (P2P) real-time streaming. Learners can interact with multi-form robots at low end-to-end latency directly in a web browser without any local installation, and simultaneously observe real-time visualization of multi-dimensional monitoring data, including reinforcement learning reward curves. Combined with a predefined robust command communication protocol, Web-Gewu provides a highly scalable, out-of-the-box, and barrier-free teaching infrastructure for embodied intelligence, significantly lowering the barrier to entry for cutting-edge robotics technology.
• Abstract（参考訳）: インテリジェンスの急速な発展に伴い、ロボティクス教育は、高い計算障壁と煩雑な環境構成という2つの課題に直面している。 既存の集中型クラウドシミュレーションソリューションは、大規模なデプロイメントを妨げるGPUと帯域幅のコストを伴い、純粋なローカルコンピューティングは学習者のハードウェア制限によって厳しい制約を受ける。 これらの問題に対処するために、WebRTCクラウド-エッジ-クライアント協調アーキテクチャ上に構築された対話型ロボティクス教育プラットフォームである \href{http://47.76.242.88:8080/receiver/index.html}{Web-Gewu} を提案する。 このシステムは、すべての物理シミュレーションと強化学習(RL)トレーニングをエッジノードにオフロードし、クラウドサーバは軽量なシグナリングリレーとしてのみ機能し、極めて低コストのブラウザベースのピアツーピア(P2P)リアルタイムストリーミングを可能にする。 学習者は、ローカルなインストールなしに、Webブラウザから直接、ローエンド・ツー・エンドのレイテンシでマルチフォームロボットと対話し、強化学習報酬曲線を含む多次元モニタリングデータのリアルタイム可視化を同時に観察することができる。 事前に定義された堅牢なコマンド通信プロトコルと組み合わせることで、Web-Gewuは、高度にスケーラブルで、アウト・オブ・ザ・ボックス(out-of-of-the-box)でバリアフリーなインテリジェンスのための教育インフラを提供し、最先端のロボティクス技術の参入障壁を著しく低くする。

関連論文リスト

• vAccSOL: Efficient and Transparent AI Vision Offloading for Mobile Robots [1.784741753796716]
  ロボットとエッジプラットフォームをまたいだAIベースのビジョンワークロードの効率的かつ透過的な実行のためのフレームワークであるvAccSOLを提案する。 商用四足歩行ロボットと12種類のディープラーニングモデルを用いた実世界のテストベッド上でのvAccSOLの評価を行った。 エッジオフロードにより、vAccSOLはロボット側の消費電力を最大80%削減し、エッジ側の電力を最大60%削減すると同時に、ビジョンパイプラインのフレームレートを最大24倍に向上させる。
  論文  参考訳（メタデータ） (2026-03-17T15:44:44Z)
• Arapai: An Offline-First AI Chatbot Architecture for Low-Connectivity Educational Environments [0.6749750044497732]
  ArapaiはオフラインファーストのAIシステムで、低仕様のCPU専用デバイス上でインターネット接続なしで完全に動作するように設計されている。 システムは、ローカルにホストされた量子化された言語モデルと、自動ハードウェア対応モデル選択と、ペタゴジカルに結合された応答制御を統合している。 限定接続条件下で運用されている第2および第3の機関におけるパイロット展開は、システムを4次元にわたって評価した。 その結果,従来のハードウェア上での安定した動作,標準命令クエリに対する許容応答時間,自己指導型学習支援に関する肯定的な学習者および教師の認識が示唆された。
  論文  参考訳（メタデータ） (2026-02-14T09:53:40Z)
• RLinf-USER: A Unified and Extensible System for Real-World Online Policy Learning in Embodied AI [44.06975079994439]
  我々は,現実のオンライン政策学習のための統一およびシストEmであるUSERを紹介する。 UERは,複数ロボットの協調,異種マニピュレータ,大規模モデルとのエッジクラウドコラボレーション,長時間の非同期トレーニングを可能にしている。 シミュレーションと実世界の両方で、USERはCNN/MLPのオンライン模倣や強化学習、生成ポリシー、および統合パイプライン内での大規模ビジョンアクション(VLA)モデルを可能にしている。
  論文  参考訳（メタデータ） (2026-02-08T06:23:43Z)
• Vision-Language Models on the Edge for Real-Time Robotic Perception [0.22940141855172028]
  6G内のエッジインテリジェンス、特にOpen RANとMulti- Access Edge Computingは、これらの課題に対処するための経路を提供する。 本研究は,Unitree G1ヒューマノイドロボットを具現化したテストベッドとして,ORAN/MECインフラストラクチャ上でのビジョンランゲージモデルの展開について検討する。 その結果,エッジデプロイメントはクラウドに近い精度を保ちながら,エンドツーエンドのレイテンシを5%削減できることがわかった。
  論文  参考訳（メタデータ） (2026-01-21T12:09:48Z)
• A General Infrastructure and Workflow for Quadrotor Deep Reinforcement Learning and Reality Deployment [48.90852123901697]
  本稿では, エンドツーエンドの深層強化学習(DRL)ポリシーを四元数へシームレスに移行できるプラットフォームを提案する。 本プラットフォームは, ホバリング, 動的障害物回避, 軌道追尾, 気球打上げ, 未知環境における計画など, 多様な環境を提供する。
  論文  参考訳（メタデータ） (2025-04-21T14:25:23Z)
• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [72.81786007015471]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)
• CLAN: Continuous Learning using Asynchronous Neuroevolution on Commodity Edge Devices [3.812706195714961]
  我々は、NeuroEvolutionary(NE)学習と推論を実行するWiFiを介して通信するRaspberry Piのプロトタイプシステムを構築した。 本研究では,このような協調システムの性能を評価し,システムの異なる配置の計算/通信特性について詳述する。
  論文  参考訳（メタデータ） (2020-08-27T01:49:21Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。