論文の概要: Building2Building: A Large Scale Benchmark for Generalizable Real-World Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2607.16534v1
- Date: Fri, 17 Jul 2026 22:16:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.175652
- Title: Building2Building: A Large Scale Benchmark for Generalizable Real-World Reinforcement Learning
- Title（参考訳）: Building2Building: 一般化可能な実世界の強化学習のための大規模ベンチマーク
- Abstract要約: Building2Buildingは、EnergyPlus上に構築された現実的な暖房、換気、空調制御環境の大規模なスイートである。
目標適応,ダイナミックス適応,アクション空間シフト,ドメイン間移動など,RLの主要なオープン課題を対象としたベンチマークタスクを定義した。
大規模で多様で物理的に接地されたテストベッドを提供することで、B2Bは連続制御における一般化と移動の体系的な研究を可能にする。
- 参考スコア（独自算出の注目度）: 10.870654605442427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reinforcement learning (RL) has achieved strong results in control, yet learned policies remain brittle to changes in dynamics, action spaces, observation spaces, or goals, a critical limitation for real-world deployment. Existing benchmarks offer limited diversity and complexity, making it difficult to rigorously study transfer, multi-task learning, and meta-learning in RL. We introduce Building2Building (B2B), a large-scale suite of realistic Heating, Ventilation, and Air Conditioning (HVAC) control environments built on EnergyPlus, a state-of-the-art building simulator. B2B is fully compatible with the Gymnasium interface and features a parametric building generator, enabling the systematic generation of diverse building configurations with heterogeneous observation and action spaces. Based on this suite, we define benchmark tasks targeting key open challenges in RL, including goal adaptation, dynamics adaptation, action-space shifts, and cross-domain transfer. By providing a large-scale, diverse, and physically grounded testbed with standardized evaluation protocols, B2B enables systematic investigation of generalization and transfer in continuous control. Beyond advancing research on generalization in RL, this new benchmark also carries significant societal implications by enabling improved HVAC control at scale, one of the most energy-intensive systems in buildings.
- Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)は、制御において強力な結果を得たが、学習されたポリシーは、動的、行動空間、観測空間、目標の変化に対して脆弱であり、現実世界の展開にとって重要な制限である。
既存のベンチマークでは、多様性と複雑さが制限されており、RLでのトランスファー、マルチタスク学習、メタラーニングを厳格に研究することは困難である。
本稿では,建築シミュレータであるEnergyPlus上に構築された,現実的な暖房,換気,空調の大規模スイートであるBuilding2Building (B2B)を紹介する。
B2BはGymnasiumインターフェースと完全に互換性があり、パラメトリックなビルディングジェネレータを備えており、異種観測とアクション空間を備えた多様なビルディング構成を体系的に生成することができる。
このスイートに基づいて,目標適応,ダイナミックス適応,アクション空間シフト,ドメイン間移動など,RLの主要なオープン課題を対象としたベンチマークタスクを定義する。
B2Bは、大規模で多様で物理的に座屈したテストベッドに標準化された評価プロトコルを提供することで、連続制御における一般化と転送の体系的な調査を可能にした。
RLにおける一般化の研究の進展に加えて、この新たなベンチマークは、建物における最もエネルギー集約的なシステムの一つである大規模でのHVAC制御の改善を可能にすることにより、社会的な重大な意味を持つ。
関連論文リスト
- LaST-R1: Reinforcing Robotic Manipulation via Adaptive Physical Latent Reasoning [90.86828952599147]
提案するLaST-R1(LaST-R1)は,「最近の推論・行動」政策を活用するために設計された,新しい強化学習フレームワークである。
LaST-R1 は LIBERO ベンチマークで 99.9% の平均成功率を達成した。
実世界の展開では、LaST-R1はSOTAが監督する微調整アプローチよりも22.5%平均的に改善されている。
論文 参考訳（メタデータ） (2026-04-30T17:59:52Z) - Gym-V: A Unified Vision Environment System for Agentic Vision Research [51.62136909074774]
Gym-Vは、手続き的に生成された10ドメインにわたる179の視覚環境の統一プラットフォームであり、制御が難しい。
我々は,RLアルゴリズムの選択よりも,観測足場がトレーニングの成功に決定的であることを見出した。
クロスドメイン転送実験は、多様なタスクのトレーニングが広範囲に一般化され、狭いトレーニングが負の転送を引き起こすことを示している。
論文 参考訳（メタデータ） (2026-03-16T15:37:07Z) - 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) - MuFlex: A Scalable, Physics-based Platform for Multi-Building Flexibility Analysis and Coordination [17.55434238676]
MuFlexはスケーラブルでオープンソースのプラットフォームで、マルチビルドのフレキシビリティ調整のための制御戦略のベンチマークとテストを行う。
プラットフォーム能力は、4つのオフィスビルの需要柔軟性を調整したケーススタディで実証された。
論文 参考訳（メタデータ） (2025-08-19T05:44:06Z) - Genie Envisioner: A Unified World Foundation Platform for Robotic Manipulation [69.30586607892842]
我々は,ロボット操作のための統一世界基盤プラットフォームであるGenie Envisioner(GE)を紹介する。
GEは、ポリシー学習、評価、シミュレーションを単一のビデオ生成フレームワークに統合する。
論文 参考訳（メタデータ） (2025-08-07T17:59:44Z) - BEAVER: Building Environments with Assessable Variation for Evaluating Multi-Objective Reinforcement Learning [4.342241136871849]
制御タスク構築において、一般化可能な強化学習アルゴリズムの評価を容易にするための新しいベンチマークを開発する。
この結果から,既存の多目的RL法は相反する目的間の合理的なトレードオフを達成できることが示唆された。
論文 参考訳（メタデータ） (2025-07-10T13:54:38Z) - Continual Reinforcement Learning for HVAC Systems Control: Integrating Hypernetworks and Transfer Learning [0.0]
ビッグデータによってDeep Reinforcement Learning (DRL)のようなデータ駆動型メソッドが実現された
モデルに基づく強化学習フレームワークを導入し、Hypernetworkを使用して、異なるアクション空間を持つタスク間の環境ダイナミクスを継続的に学習する。
本手法は,第2タスクのトレーニング後の連続学習環境において,第1タスクの微調整が最小限に抑えられ,わずか5エピソード以内の迅速な収束が可能となることを示す。
論文 参考訳（メタデータ） (2025-03-24T23:38:04Z) - GRAM: Generalization in Deep RL with a Robust Adaptation Module [62.662894174616895]
本研究では,深層強化学習における動的一般化の枠組みを提案する。
本稿では,分散環境と分散環境の両方を識別・反応する機構を提供するロバスト適応モジュールを提案する。
我々のアルゴリズムであるGRAMは,展開時の分布内および分布外シナリオにまたがる強力な一般化性能を実現する。
論文 参考訳（メタデータ） (2024-12-05T16:39:01Z) - BEAR: Physics-Principled Building Environment for Control and
Reinforcement Learning [9.66911049633598]
BEARは制御強化学習のための物理を基礎とした建築環境である。
研究者はモデルベースとモデルフリーの両方のコントローラを、外部ビルディングシミュレータを併用することなく、Pythonの標準ビルディングモデルの広範なコレクションを使用してベンチマークすることができる。
モデル予測制御(MPC)と2つのケーススタディを持つ最先端RL法の両方を含む,異なるコントローラによるBEARの互換性と性能を実証する。
論文 参考訳（メタデータ） (2022-11-27T06:36:35Z) - Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。
我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
論文 参考訳（メタデータ） (2022-08-12T17:13:25Z) - Real-world challenges for reinforcement learning in building control [0.0]
そこで我々は,強化学習型ビルディングコントローラにおける実世界の9つの課題を提案する。
我々はこの枠組みで制御研究を構築するべきであると論じている。
論文 参考訳（メタデータ） (2021-11-25T02:59:53Z)
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。