論文の概要: The Open Ant: A Robot Platform for Reinforcement Learning Research

• arxiv url: http://arxiv.org/abs/2607.18488v1
• Date: Mon, 20 Jul 2026 20:18:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.23966
• Title: The Open Ant: A Robot Platform for Reinforcement Learning Research
• Title（参考訳）: The Open Ant: 強化学習研究のためのロボットプラットフォーム
• Authors: Elena Sorina Lupu, Patrick Spieler, Khurram Javed, Kris De Asis, John D. Martin, Martha Steenstrup, Joseph Modayil,
• Abstract要約: 一般に使われているGymnasium Ant環境の物理変種であるOpen Antをシミュレーションとともに提示する。 本研究では,身体ロボットの体験から約1時間以内に,有能な歩行ポリシーを学習できることを実証した。 また、このプラットフォームが実験的なエコシステムをいかにうまくサポートしているかについても検討する。
• 参考スコア（独自算出の注目度）: 3.32885305863552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning (RL) research has demonstrated success in both physical and simulated domains; however, the predominant methodology remains rooted in simulations. The predominance of simulations makes translating research to physical reality uncertain for both algorithms and researchers. We propose a physical platform that is designed to simplify the transition. In this paper, we present the Open Ant: a physical variant of the commonly used Gymnasium Ant environment, along with a simulation. We demonstrate that competent walking policies can be learned from scratch in approximately one hour directly from the physical robot's experience for two substantially different RL algorithms: SARSA($λ$) and Soft Actor-Critic (SAC). Separately, we show policies that were learned in simulation transfer to reality. We also examine how well the platform supports a nimble experimental ecosystem. Specifically, we observe the speed with which new users from diverse backgrounds achieve their first success with the platform, and how easily the platform can be repaired and updated when hardware issues arise. Both the hardware design and software are available as open-source on GitHub for ease of customization. In summary, we advocate for the use of the Open Ant for RL researchers who frequently use simulated environments, so they can more easily include robot experiments in their evaluations.
• Abstract（参考訳）: 強化学習(RL)研究は、物理的領域とシミュレーション領域の両方で成功したが、主要な方法論はシミュレーションに根ざしている。 シミュレーションの優位性は、アルゴリズムと研究者の両方にとって、物理的現実への翻訳研究を不確実なものにする。 移行を簡単にするための物理プラットフォームを提案する。 本稿では,一般的なGymnasium Ant環境の物理変種であるOpen Antとシミュレーションについて述べる。 本研究では,SARSA($λ$)とSoft Actor-Critic(SAC)の2つのRLアルゴリズムに対して,ロボットが経験した経験から約1時間以内に,有能な歩行ポリシーをスクラッチから学習できることを実証した。 シミュレーションから現実へ移行する際に学んだ政策を別々に示す。 また、このプラットフォームが実験的なエコシステムをいかにうまくサポートしているかについても検討する。 具体的には、さまざまなバックグラウンドを持つ新規ユーザーがプラットフォームで最初に成功した速度と、ハードウェア問題が発生した時にプラットフォームをいかに簡単に修復・更新できるかを観察する。 ハードウェア設計とソフトウェアはどちらも、カスタマイズを容易にするためにGitHubでオープンソースとして提供されている。 要約すると、シミュレーション環境を頻繁に使用するRL研究者にはOpen Antの使用が推奨されるので、ロボット実験をより簡単に評価に含めることができる。

関連論文リスト

• Robot Control Stack: A Lean Ecosystem for Robot Learning at Scale [11.166320712764465]
  VLA(Vision-Language-Action Model)は、専門的なアーキテクチャと専門家ポリシーのタスクに適したコンポーネントを、大規模なデータ収集とセットアップ固有の微調整に置き換える。 従来のロボットソフトウェアフレームワークはボトルネックとなり、ロボットシミュレーションは、実世界の実験への移行を限定的にサポートする。 我々は、大規模なジェネラリストポリシーによるロボット学習の研究を支援するために、ゼロから設計されたリーンエコシステムであるRobot Control Stack (RCS)を紹介した。
  論文  参考訳（メタデータ） (2025-09-18T13:12:16Z)
• Sim-to-Real Transfer for Mobile Robots with Reinforcement Learning: from NVIDIA Isaac Sim to Gazebo and Real ROS 2 Robots [1.2773537446441052]
  この記事では、イザックの地域計画と障害物回避への応用を実証することに焦点を当てる。 ロボット・オペレーティング・システム(ROS)のナビゲーション・スタックであるNav2でエンドツーエンドのポリシーをベンチマークする。 また、Isaacシミュレータで訓練されたポリシーを実世界のロボットにゼロショット転送可能であることを示すことで、sim-to-realトランスファープロセスをカバーしている。
  論文  参考訳（メタデータ） (2025-01-06T10:26:16Z)
• DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
  シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。 本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。 本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
  論文  参考訳（メタデータ） (2024-06-04T04:53:05Z)
• DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality [64.51295032956118]
  我々は人型ロボットの手で頑健な操作を行える政策を訓練する。 本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
  論文  参考訳（メタデータ） (2022-10-25T01:51:36Z)
• A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
  深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。 機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
  論文  参考訳（メタデータ） (2022-08-16T17:37:36Z)
• gym-DSSAT: a crop model turned into a Reinforcement Learning environment [0.0]
  本稿では,リアルな作物管理タスクのためのオープンソースのRL環境を提案する。 ジムDSSAT(英語: gym-DSSAT)は、農業技術移転のための意思決定支援システム(DSSAT)のジムインタフェースである。
  論文  参考訳（メタデータ） (2022-07-07T12:45:02Z)
• Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
  本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。 エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
  論文  参考訳（メタデータ） (2020-04-29T18:00:22Z)
• RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
  インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。 シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
  論文  参考訳（メタデータ） (2020-04-14T20:52:49Z)

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。