論文の概要: Physical Atari: A Robust and Accessible Platform for Real-time Reinforcement Learning on Robots

• arxiv url: http://arxiv.org/abs/2606.19357v1
• Date: Fri, 29 May 2026 19:24:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.808654
• Title: Physical Atari: A Robust and Accessible Platform for Real-time Reinforcement Learning on Robots
• Title（参考訳）: ロボットによるリアルタイム強化学習のためのロバストでアクセシブルなプラットフォーム「フィジカルアタリ」
• Abstract要約: 私たちは、Atari CX40+コントローラーを作動させるRobotrollerというロボットと、Atari Devboxと呼ばれるデバイスを開発しました。 物理的アタリは1,000ドル以下で製造でき、機械的な故障なしに何週間もノンストップの強化学習実験に使われてきた。 我々は、強化学習アルゴリズムがロボットで直接学習できることを検証し、学習とデプロイメントの間の小さな分散シフトでさえ、ポリシーのパフォーマンスを著しく低下させることができることを示した。
• 参考スコア（独自算出の注目度）: 5.573520172463777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We built a robot called the Robotroller that actuates an Atari CX40+ controller and a device called the Atari Devbox that renders the game frame and the reward signal from the Arcade Learning Environment on a screen. The Robotroller and the Atari Devbox, together with an off-the-shelf camera and a desktop computer, constitute a system that can be used to study reinforcement learning algorithms in the physical world. We call the full system Physical Atari. In this paper, we detail the key decisions that make Physical Atari a robust and accessible platform. To make the system robust, we designed the Robotroller so that all movement is done through bearings, which reduces wear. Additionally, we wrote software that monitors the state of the servos at a high frequency and intervenes to limit stress. To make the system accessible, we used affordable off-the-shelf components and parts that can be manufactured using consumer 3D printers. Physical Atari can be built for under $1,000 and has been used for weeks of non-stop reinforcement learning experiments without any mechanical failures. We used it to validate that reinforcement learning algorithms can learn directly on robots and show that even small distribution shifts between learning and deployment can significantly degrade the performance of policies. Our results underscore the importance of on-device adaptation for strong performance on robots.
• Abstract（参考訳）: 我々は、Atari CX40+コントローラを作動させるRobotrollerというロボットと、ゲームフレームとアーケード学習環境からの報酬信号を画面上にレンダリングするAtari Devboxというデバイスを開発した。 RobotrollerとAtari Devboxは、市販のカメラとデスクトップコンピュータとともに、物理的な世界で強化学習アルゴリズムを研究するために使用できるシステムを構成する。 システム全体をPhysical Atariと呼びます。 本稿では、Physical Atariを堅牢でアクセスしやすいプラットフォームにする重要な決定について詳述する。 システムを堅牢化するために、ロボットローラーを設計し、全ての動きがベアリングを通して行われるようにすることで、摩耗を低減した。 さらに, サーボの状態を高頻度で監視し, ストレスを抑えるソフトウェアを開発した。 システムを利用できるようにするために、私たちは安価なオフ・ザ・シェルフ・コンポーネントと、消費者向けの3Dプリンターで製造できる部品を使用しました。 物理的アタリは1,000ドル以下で製造でき、機械的な故障なしに何週間もノンストップの強化学習実験に使われてきた。 我々は、強化学習アルゴリズムがロボットで直接学習できることを検証し、学習とデプロイメントの間の小さな分散シフトでさえ、ポリシーのパフォーマンスを著しく低下させることができることを示した。 本研究は,ロボットの性能向上のためのデバイス上での適応の重要性を裏付けるものである。

関連論文リスト

• LeRobot: An Open-Source Library for End-to-End Robot Learning [36.567938139028186]
  textttlerobotは、ロボット学習スタック全体を統合するオープンソースのライブラリである。 様々な最先端のロボット学習アルゴリズムの効率的な実装と、一般化された非同期推論スタックをサポートする。
  論文  参考訳（メタデータ） (2026-02-26T09:59:50Z)
• EasyMimic: A Low-Cost Framework for Robot Imitation Learning from Human Videos [51.158081196253626]
  EasyMimicは、人間のビデオデモからロボットが操作ポリシーを学習することを可能にするフレームワークである。 本手法は,まずビデオから手指の3次元軌跡を抽出する。 アクションアライメントモジュールは、これらの軌道を低コストロボットのグリップ制御空間にマッピングする。
  論文  参考訳（メタデータ） (2026-02-12T00:41:01Z)
• Generalizable Humanoid Manipulation with 3D Diffusion Policies [66.78220965526732]
  我々は、ヒューマノイドロボットによる自律的な操作の問題を解決するために、現実世界のロボットシステムを構築している。 本システムは主に,人型ロボットデータを取得するための全身ロボット遠隔操作システムと,高さ調整可能なカートと3D LiDARセンサを備えた25-DoFヒューマノイドロボットプラットフォームの統合である。 1つのシーンで収集されたデータのみを使用し、オンボードコンピューティングのみで、フルサイズのヒューマノイドロボットが様々な現実世界のシナリオで自律的にスキルを発揮できることが示される。
  論文  参考訳（メタデータ） (2024-10-14T17:59:00Z)
• Controlling diverse robots by inferring Jacobian fields with deep networks [48.279199537720714]
  自然生物の複雑な構造と多様な機能を反映することは、ロボット工学における長年の課題である。 本稿では,深層ニューラルネットワークを用いてロボットの映像ストリームをバイスモータヤコビアン場にマッピングする手法を提案する。 提案手法は,正確なクローズドループ制御を実現し,各ロボットの因果動的構造を復元する。
  論文  参考訳（メタデータ） (2024-07-11T17:55:49Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
  四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練するためのフレームワークを提案する。 本フレームワークは,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。 我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
  論文  参考訳（メタデータ） (2022-09-12T15:14:32Z)
• DayDreamer: World Models for Physical Robot Learning [142.11031132529524]
  深層強化学習はロボット学習の一般的なアプローチであるが、学習するには大量の試行錯誤が必要となる。 ロボット学習の多くの進歩はシミュレータに依存している。 本稿では,Dreamerを4つのロボットに適用し,シミュレータを使わずに,オンラインおよび実世界で直接学習する。
  論文  参考訳（メタデータ） (2022-06-28T17:44:48Z)
• TriFinger: An Open-Source Robot for Learning Dexterity [33.26612195196921]
  人間の監督なしに安全に操作できるオープンソースのロボットプラットフォームを提案する。 ハードウェアは安価だが、非常にダイナミックで堅牢で、外部オブジェクトとの複雑な相互作用が可能である。 提案プラットフォームの可能性について,リアルタイム最適制御,スクラッチからの深層強化学習,投球,ライティングなど,数多くの実験を通じて説明する。
  論文  参考訳（メタデータ） (2020-08-08T20:54:30Z)
• Deep Reinforcement learning for real autonomous mobile robot navigation in indoor environments [0.0]
  本研究では,地図やプランナーを使わずに,未知の環境下での自律型自律学習ロボットナビゲーションの概念を実証する。 ロボットの入力は、2DレーザースキャナーとRGB-Dカメラからの融合データと目標への向きのみである。 Asynchronous Advantage Actor-Critic Network(GA3C)の出力動作は、ロボットの線形および角速度である。
  論文  参考訳（メタデータ） (2020-05-28T09:15:14Z)

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。