論文の概要: GzDRL: Reproducible and Scalable Deep Reinforcement Learning with Gazebo

• arxiv url: http://arxiv.org/abs/2609.13243v1
• Date: Thu, 03 Sep 2026 17:35:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 16:32:15.667689
• Title: GzDRL: Reproducible and Scalable Deep Reinforcement Learning with Gazebo
• Title（参考訳）: GzDRL: Gazeboによる再現性とスケーラブルな深層強化学習
• Abstract要約: 本稿では,GzDRLについて述べる。GzDRLはGazeboのための新しい単一プロセス強化学習(RL)フレームワークで,長年のボトルネックを克服する。 GzDRLは、エージェントアクションと物理更新を直接同期する、系統的で決定論的でない環境ステッピング機構を導入している。 GzDRLはロボット工学と自動化におけるRLの進歩のための,アクセス可能かつ再現可能なプラットフォームとして確立されている。
• 参考スコア（独自算出の注目度）: 3.1005604428061893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present GzDRL, a novel single-process reinforcement learning (RL) framework for Gazebo that overcomes longstanding bottlenecks in scalable, reproducible robotics experimentation. Unlike conventional middleware-based RL-Gazebo integrations that suffer from nondeterminism and irreproducibility, GzDRL introduces a systematic, middleware-free environment-stepping mechanism that directly synchronizes agent actions and physics updates. This design enables deterministic, high-throughput data collection, efficient vectorization, and reproducible RL training and evaluation. Comprehensive benchmarks demonstrate that GzDRL achieves the highest workstation throughput among the evaluated frameworks while remaining competitive with GPU-accelerated simulators on laptop hardware, and maintains precise agent-environment synchronization, multi-agent scalability, and experiment-level reproducibility. We further validate sim-to-real transfer by deploying learned policies directly onto a physical quadrotor, without fine-tuning. Our results establish GzDRL as an accessible and reproducible platform for advancing RL in robotics and automation.
• Abstract（参考訳）: 本稿では,GzDRLについて紹介する。GzDRLは,スケーラブルで再現可能なロボティクス実験における長年のボトルネックを克服する,Gazeboのための新しいシングルプロセス強化学習(RL)フレームワークである。 非決定性と非生産性に苦しむ従来のミドルウェアベースのRL-Gazebo統合とは異なり、GzDRLはエージェントアクションと物理更新を直接同期する、体系的なミドルウェアフリー環境ステッピング機構を導入している。 この設計により、決定論的で高スループットのデータ収集、効率的なベクトル化、再現可能なRLトレーニングと評価が可能になる。 包括的なベンチマークでは、GzDRLは評価されたフレームワークの中で最高のワークステーションスループットを達成しつつ、ラップトップハードウェア上のGPUアクセラレーションシミュレータと競合し続け、正確なエージェント環境同期、マルチエージェントスケーラビリティ、実験レベルの再現性を維持している。 我々はさらに、学習したポリシーを直接物理四重極子に直接展開することで、微調整なしでsim-to-real転送を検証する。 GzDRLはロボット工学と自動化におけるRLの進歩のための,アクセス可能かつ再現可能なプラットフォームとして確立されている。

関連論文リスト

• AcceRL: A Distributed Asynchronous Reinforcement Learning and World Model Framework for Vision-Language-Action Models [21.204182133307047]
  本稿では,完全に非同期で疎結合なRLフレームワークであるAceRLを提案する。 AcceRLは、プラグ&プレイ可能なトレーニング可能なワールドモデルを分散非同期RLパイプラインに統合する最初の方法である。 LIBEROciteliu2023liberoベンチマークの実験では、AceRLがSOTA(State-of-the-art)のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2026-03-19T03:50:45Z)
• Scaling Agent Learning via Experience Synthesis [100.42712232390532]
  強化学習は、対話を通じて自己改善を行うことで、自律的なエージェントに力を与えることができる。 しかし、コストのかかるロールアウト、タスクの多様性の制限、信頼性の低い報奨信号、インフラストラクチャの複雑さによって、その実践的採用は依然として困難である。 私たちはDreamGymを紹介します。DreamGymはスケーラビリティを念頭において多様なエクスペリエンスを合成するために設計された最初の統合フレームワークです。
  論文  参考訳（メタデータ） (2025-11-05T18:58:48Z)
• Scalable Reinforcement Learning for Virtual Machine Scheduling [21.22990796153464]
  クラスタ値分解強化学習(CVD-RL) 本稿では,クラスタ値分解強化学習(CVD-RL)と呼ばれるスケーラブルなRLフレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-03-01T15:33:52Z)
• Transfer of Reinforcement Learning-Based Controllers from Model- to Hardware-in-the-Loop [1.8218298349840023]
  強化学習は、自律的な訓練エージェントが複雑な制御タスクを実行する大きな可能性を秘めている。 組み込みシステム機能開発においてRLを効果的に利用するには、生成されたエージェントが現実世界のアプリケーションを扱う必要がある。 本研究は,Transfer Learning(TL)とX-in-the-Loop(XiL)シミュレーションを組み合わせることで,RLエージェントのトレーニングプロセスの高速化に重点を置いている。
  論文  参考訳（メタデータ） (2023-10-25T09:13:12Z)
• A Real-World Quadrupedal Locomotion Benchmark for Offline Reinforcement Learning [27.00483962026472]
  現実的な四足歩行データセットにおける11のオフライン強化学習アルゴリズムをベンチマークした。 実験の結果,ORLアルゴリズムはモデルフリーのRLに比べて競争性能がよいことがわかった。 提案するベンチマークは,実世界の歩行作業におけるORLアルゴリズムの性能をテスト・評価するための開発プラットフォームとして機能する。
  論文  参考訳（メタデータ） (2023-09-13T13:18:29Z)
• On Transforming Reinforcement Learning by Transformer: The Development Trajectory [97.79247023389445]
  Transformerは元々自然言語処理用に開発されたもので、コンピュータビジョンでも大きな成功を収めている。 既存の開発をアーキテクチャ拡張と軌道最適化の2つのカテゴリに分類する。 ロボット操作,テキストベースのゲーム,ナビゲーション,自律運転におけるTRLの主な応用について検討する。
  論文  参考訳（メタデータ） (2022-12-29T03:15:59Z)
• Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
  強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。 本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。 我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
  論文  参考訳（メタデータ） (2022-09-24T14:22:29Z)
• RL-CycleGAN: Reinforcement Learning Aware Simulation-To-Real [74.45688231140689]
  本稿では、画像翻訳におけるRL-scene整合性損失を導入し、画像に関連付けられたQ値に対して変換操作が不変であることを保証する。 RL-CycleGANは実世界のシミュレーションから実世界への変換による強化学習のための新しい手法である。
  論文  参考訳（メタデータ） (2020-06-16T08:58:07Z)

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。