論文の概要: Learning Reach-Avoid Task with Reinforcement Learning: Vectorized Simulation and Benchmark

• arxiv url: http://arxiv.org/abs/2607.15935v1
• Date: Fri, 17 Jul 2026 13:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.853636
• Title: Learning Reach-Avoid Task with Reinforcement Learning: Vectorized Simulation and Benchmark
• Title（参考訳）: 強化学習によるリーチ回避タスクの学習:ベクトルシミュレーションとベンチマーク
• Authors: Jonas Weihing, Shahram Eivazi,
• Abstract要約: 本稿では,現実の複雑さを単純化することなく正確に把握するLandavoidタスクのベンチマークを提案する。 その結果,96.1%(UR5e),98.8%(Franka Emika Robot),86.8%(UR5e),95.2%(Franka)の成果を得た。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep reinforcement learning (DRL) has a longstanding tradition in addressing the reach-avoid task problem, especially for controlling robotic arms. While this task serves as a baseline environment within the research community, the ability of DRL to effectively learn the each-avoid task in complex and realistic scenarios beyond simplified and restricted tabletop settings remains uncertain. In this paper, we present, for the first time, a comprehensive benchmark for the reachavoid task that accurately captures real-world complexities without simplifications. We demonstrate a diverse range of settings for robotic arm reach-avoid task, which can be used for evaluating DRL research. We achieved this by utilizing the MuJoCo MJX physics engine and parallelizing both the simulation environment and DRL algorithms using the Brax library. We achieved state-of-the-art results with success rates of 96.1% (UR5e) and 98.8% (Franka Emika Robot) for the reach task and 86.8% (UR5e) and 95.2% (Franka) for the static reachavoid task. Our results indicate that while in previous works DRL agents could solve, for example, a reach task in a simplified setting perfectly, their agents performance collapses when evaluated in realistic scenarios. Overall, this work identifies that additional research is still required to claim the successful resolution of the robotic arm reach-avoid task using DRL. The environment and benchmarking code is available as open source at the following link
• Abstract（参考訳）: 深層強化学習(DRL)は、特にロボットアームの制御において、到達不能なタスク問題に対処する上で長年の伝統がある。 このタスクは、研究コミュニティのベースライン環境として機能するが、DRLが、単純化された制限されたテーブルトップ設定を超えて、複雑で現実的なシナリオにおいて、各アベロイドタスクを効果的に学習する能力は、まだ不明である。 本稿では,Landavoidタスクの包括的ベンチマークを初めて提示し,実世界の複雑さを単純化することなく正確に把握する。 本稿では、DRL研究の評価に使用できるロボットアームの到達回避タスクについて、多種多様な設定を実証する。 我々は、MuJoCo MJX物理エンジンを利用し、Braxライブラリを用いてシミュレーション環境とDRLアルゴリズムの両方を並列化することで実現した。 その結果,96.1%(UR5e),98.8%(Franka Emika Robot),86.8%(UR5e),95.2%(Franka)の成果を得た。 その結果、従来のDRLエージェントは、例えば、単純化された設定でのリーチタスクを完璧に解決できたが、現実的なシナリオで評価すると、エージェントのパフォーマンスは低下することがわかった。 この研究は、DRLを用いたロボットアームの到達回避タスクの解決を成功させるためには、まださらなる研究が必要であることを明らかにしている。 環境とベンチマークコードは、以下のリンクでオープンソースとして利用可能である

関連論文リスト

• Putting the Iterative Training of Decision Trees to the Test on a Real-World Robotic Task [0.0]
  過去の研究では、強化学習タスクのエージェントとして決定木(DT)を訓練する方法を開発した。 このアルゴリズムをロボットタスクの現実的な実装に初めて適用する。 本研究は,DRLエージェントの性能に適合するDTを生成することにより,実世界のタスクに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-12-06T11:48:49Z)
• SERL: A Software Suite for Sample-Efficient Robotic Reinforcement Learning [82.46975428739329]
  筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。 我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。 これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
  論文  参考訳（メタデータ） (2024-01-29T10:01:10Z)
• Reinforcement Learning with Foundation Priors: Let the Embodied Agent Efficiently Learn on Its Own [59.11934130045106]
  我々は、政策、価値、成功-回帰基盤モデルからのガイダンスとフィードバックを活用するために、RLFP(Reinforcement Learning with Foundation Priors)を提案する。 本フレームワークでは,自動報酬関数を用いてより効率的にエージェントを探索できるファウンデーション誘導型アクター・クリティカル(FAC)アルゴリズムを導入する。 本手法は,実ロボットとシミュレーションの両方において,様々な操作タスクにおいて顕著な性能を実現する。
  論文  参考訳（メタデータ） (2023-10-04T07:56:42Z)
• Accelerating Robotic Reinforcement Learning via Parameterized Action Primitives [92.0321404272942]
  強化学習は汎用ロボットシステムの構築に使用することができる。 しかし、ロボット工学の課題を解決するためにRLエージェントを訓練することは依然として困難である。 本研究では,ロボット行動プリミティブ(RAPS)のライブラリを手動で指定し,RLポリシーで学習した引数をパラメータ化する。 動作インターフェースへの簡単な変更は、学習効率とタスクパフォーマンスの両方を大幅に改善する。
  論文  参考訳（メタデータ） (2021-10-28T17:59:30Z)

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。