論文の概要: SILO: Simulation-in-the-Loop Sim-to-Real Transfer for Multi-Stage Cable Routing

• arxiv url: http://arxiv.org/abs/2607.04616v1
• Date: Mon, 06 Jul 2026 02:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.017762
• Title: SILO: Simulation-in-the-Loop Sim-to-Real Transfer for Multi-Stage Cable Routing
• Title（参考訳）: SILO:マルチステージケーブルルーティングのためのシミュレーション・イン・ザ・ループ・シム・トゥ・レアル転送
• Authors: Stone Tao, Jie Xu, Hesam Rabeti, Yashraj Narang, Yijie Guo, Iretiayo Akinola,
• Abstract要約: マルチステージケーブルルーティングのためのsim-to-real強化学習フレームワークを提案する。 我々は数千の並列シミュレーションを訓練し、多様なケーブルジオメトリと変形パターンを一般化する。 実世界のケーブルルーティングタスクでは,従来の最先端学習手法と比較して,成功率とサイクル時間の2倍の削減を実現している。
• 参考スコア（独自算出の注目度）: 14.06539363132804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Linear-deformable manipulation remains challenging due to the complex deformations of objects such as cables and ropes. Prior data-driven approaches, particularly imitation learning, have shown some promise in narrowly defined settings but typically require thousands of demonstrations for specific tasks and cable types, limiting scalability and generalization. We introduce a sim-to-real reinforcement learning (RL) framework for multi-stage cable routing that leverages GPU-parallelized simulation to approximate linear deformable behaviors. Training across thousands of parallel simulations enables the learned policies to generalize across diverse cable geometries and deformation patterns. To bridge the sim-to-real gap, we propose a novel deployment strategy that combines a Simulation In the LOop (SILO) execution framework, localized RL policies, and robust cable state estimation. On real-world cable routing tasks, our approach achieves higher success rates and 2x reduction in cycle times compared to prior state-of-the-art learning methods. To our knowledge, this is the first successful sim-to-real transfer of RL policies for multi-stage cable routing. Videos and additional visualizations are available at https://silo-cable-routing.github.io/
• Abstract（参考訳）: ケーブルやロープなどの物体の複雑な変形のため、線形変形可能な操作は依然として困難である。 それまでのデータ駆動型アプローチ、特に模倣学習は、狭義の設定ではいくつかの約束を示してきたが、通常、特定のタスクやケーブルタイプに対して数千のデモを必要とし、スケーラビリティと一般化を制限した。 我々は、GPU並列化シミュレーションを利用して線形変形可能な挙動を近似するマルチステージケーブルルーティングのためのsim-to-real reinforcement learning (RL)フレームワークを提案する。 何千もの並列シミュレーションのトレーニングにより、学習されたポリシーは、多様なケーブルジオメトリと変形パターンをまたいで一般化することができる。 シミュレーション・イン・ザ・ループ(SILO)実行フレームワーク,ローカライズされたRLポリシ,ロバストなケーブル状態推定を組み合わせた,新たなデプロイメント戦略を提案する。 実世界のケーブルルーティングタスクでは,従来の最先端学習手法と比較して,成功率とサイクル時間の2倍の削減を実現している。 我々の知る限り、これはマルチステージケーブルルーティングのためのRLポリシーをシミュレートして現実に転送する最初の成功例である。 ビデオとさらなる視覚化はhttps://silo-cable-routing.github.io/で公開されている。

関連論文リスト

• RLFTSim: Realistic and Controllable Multi-Agent Traffic Simulation via Reinforcement Learning Fine-Tuning [19.985714275376726]
  本稿では,強化学習に基づく微調整フレームワーク RLFTSim を紹介する。 シミュレータのロールアウトと実世界のデータ分散を整列することで、シナリオリアリズムを強化する。 また,目標条件設定による交通シミュレーションの再現性向上のための手法の有効性を実証する。
  論文  参考訳（メタデータ） (2026-05-18T18:57:13Z)
• Beyond Imitation: Reinforcement Learning-Based Sim-Real Co-Training for VLA Models [35.41613201907666]
  本稿では,UnderlinetextitRLベースのsim-real UnderlinetextitCo-training modified(RL-Co)フレームワークを提案する。 RLコトレーニングは、目に見えないタスクのバリエーションに強く一般化し、実世界のデータ効率を大幅に改善する。
  論文  参考訳（メタデータ） (2026-02-13T05:15:50Z)
• Video2Policy: Scaling up Manipulation Tasks in Simulation through Internet Videos [61.925837909969815]
  我々は,インターネット上のRGBビデオを利用して日常の人間行動に基づいてタスクを再構築する新しいフレームワークであるVideo2Policyを紹介した。 本手法は投球のような複雑で困難なタスクを含む,そのようなタスクに対するRLポリシーのトレーニングに成功している。 生成したシミュレーションデータは,一般的なポリシをトレーニングするためにスケールアップ可能であり,Real2Sim2Real方式で実ロボットに転送可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-14T03:22:03Z)
• Stabilizing Reinforcement Learning in Differentiable Multiphysics Simulation [11.360832156847103]
  本稿では,剛体や変形物を含むタスクにおけるRLのスケーリングを実現するための,新しいRLアルゴリズムとシミュレーションプラットフォームを提案する。 我々は,最大エントロピー1次モデルに基づくRLアルゴリズムであるSoft Analytic Policy (SAPO)を導入する。 また,剛体以外の様々な材料を模擬する並列微分可能多物理シミュレーションプラットフォームであるRewarpedを開発した。
  論文  参考訳（メタデータ） (2024-12-16T18:56:24Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• 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)
• 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)

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。