論文の概要: Sim-to-Real Aware End-to-End Learning Environment for Micromobility

• arxiv url: http://arxiv.org/abs/2609.28969v1
• Date: Thu, 24 Sep 2026 03:35:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.692783
• Title: Sim-to-Real Aware End-to-End Learning Environment for Micromobility
• Title（参考訳）: マイクロモビリティのためのエンド・ツー・エンド学習環境
• Abstract要約: 本稿では,AWSIM と ROS 2.0 上の WHILL Model CR に対して,車種別,車種別エンド・ツー・エンドの学習環境を提案する。 物理パラメータは実世界のデータを用いてベイズ最適化によって最適化され、様々な運転シナリオにおける軌道誤差を低減する。 DreamerV3で訓練されたエンドツーエンドポリシーは、学習の進歩を示し、シミュレーションされた障害物回避設定でタスク完了を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While end-to-end autonomous driving systems show promise, their application to micromobility vehicles is hindered by simulators failing to capture specific kinematics, such as differential drives and omni-wheels. This paper pro- poses a sim-to-real-aware, vehicle-specific end-to-end learning environment for the WHILL Model CR on AWSIM and ROS 2. To minimize the sim-to-real gap, physical parameters are optimized via Bayesian optimization using real-world data, reducing trajectory errors across various driving scenarios. Additionally, this study introduces a synchronized architecture tailored for the stable training of world model-based agents. An end-to-end policy trained with DreamerV3 exhibited learning progress and achieved task completion in a simulated obstacle avoidance setting. Furthermore, this policy demonstrated direct sim-to-real transfer to the physical vehicle, enabling the vehicle to navigate around a cardboard box in a real-world corridor replica without fine-tuning. This paper provides a practical foundation for sim-to-real micromobility policy studies.
• Abstract（参考訳）: エンドツーエンドの自動運転システムは将来性を示すが、マイクロモビリティー車両への応用は、ディファレンシャルドライブやオムニホイールのような特定のキネマティクスを捉えることができないシミュレーターによって妨げられる。 本稿では,AWSIM と ROS 2.0 上の WHILL Model CR に対して,車種別,車種別エンド・ツー・エンドの学習環境をプロポーズする。 sim-to-realギャップを最小限に抑えるため、物理パラメータは実世界のデータを用いてベイズ最適化によって最適化され、様々な駆動シナリオにおける軌道誤差を低減する。 さらに,世界モデルベースエージェントの安定トレーニングに適した同期アーキテクチャを提案する。 DreamerV3で訓練されたエンドツーエンドポリシーは、学習の進歩を示し、シミュレーションされた障害物回避設定でタスク完了を達成した。 さらに、この方針は物理的車両への直接のシミュレートを実証し、微調整なしで現実世界の回廊レプリカの段ボール箱のまわりを走行できるようにした。 本稿では,シム・トゥ・リアルなマイクロモビリティ政策研究の実践的基盤を提供する。

関連論文リスト

• MILER: Semantic Mid-Level Representation for Sim-to-Real Reinforcement Learning in Unstructured Autonomous Driving [37.61391230495979]
  我々は、ゼロショットsim-to-real転送を備えたエンドツーエンドポリシーフレームワークであるMILERを提案する。 我々は、知覚と制御の両面において、ゼロショットのsim-to-real転送を可能にするトラジェクトリアライメント戦略を採用している。
  論文  参考訳（メタデータ） (2026-09-17T17:35:22Z)
• IR-SIM: A Lightweight Skill-Native Simulator for Navigation, Learning, and Benchmarking [59.6657632820611]
  IR-SIMは、迅速なシナリオ構築、ベンチマーク、ロボット学習のために設計された、スキルネイティブなナビゲーションシミュレータである。 シナリオは、モバイルロボットキネマティクス、幾何学的衝突チェック、LiDARセンシング、可視化、行動モジュールを指定するYAML設定ファイルで完全に定義されている。 実験では、複数のタスクにおいてIR-SIMの利便性と汎用性を示す。
  論文  参考訳（メタデータ） (2026-06-07T16:55:37Z)
• ReconDreamer-RL: Enhancing Reinforcement Learning via Diffusion-based Scene Reconstruction [26.402373173809753]
  ReconDreamer-RLは、ビデオ拡散前処理をシーン再構成に統合し、強化学習を支援するためのフレームワークである。 ReconDreamer-RLは、衝突率を5倍に下げた模倣学習法よりも優れた、エンドツーエンドの自動運転訓練を改善する。
  論文  参考訳（メタデータ） (2025-08-11T16:45:55Z)
• RealEngine: Simulating Autonomous Driving in Realistic Context [60.55873455475112]
  RealEngineは3Dシーン再構成と新しいビュー合成技術を統合する新しい運転シミュレーションフレームワークである。 実世界のマルチモーダルセンサーデータを活用することで、RealEngineはバックグラウンドシーンとフォアグラウンドトラフィック参加者を別々に再構築し、非常に多様な現実的なトラフィックシナリオを実現する。 RealEngineは、非反応性シミュレーション、安全性テスト、マルチエージェントインタラクションの3つの重要な駆動シミュレーションカテゴリをサポートしている。
  論文  参考訳（メタデータ） (2025-05-22T17:01:00Z)
• Sim-to-Real Transfer of Deep Reinforcement Learning Agents for Online Coverage Path Planning [22.077058792635313]
  被覆経路計画は、制限された地域の自由空間全体をカバーする経路を見つける問題である。 本稿では,この課題に対する連続空間強化学習の有効性について検討する。 提案手法は従来のRLに基づく手法と高度に専門化された手法の両方の性能を上回ることを示す。
  論文  参考訳（メタデータ） (2024-06-07T13:24:19Z)
• VISTA 2.0: An Open, Data-driven Simulator for Multimodal Sensing and Policy Learning for Autonomous Vehicles [131.2240621036954]
  VISTAはオープンソースのデータ駆動シミュレータで、複数のタイプのセンサーを自律走行車に組み込む。 高忠実で実世界のデータセットを使用して、VISTAはRGBカメラ、3D LiDAR、イベントベースのカメラを表現し、シミュレートする。 センサタイプ毎に知覚制御ポリシーをトレーニングし,テストする能力を示し,フルスケールの自律走行車への展開を通じて,このアプローチのパワーを示す。
  論文  参考訳（メタデータ） (2021-11-23T18:58:10Z)
• 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)
• Learning from Simulation, Racing in Reality [126.56346065780895]
  ミニチュアレースカープラットフォーム上で自律的なレースを行うための強化学習ベースのソリューションを提案する。 シミュレーションで純粋に訓練されたポリシーは、実際のロボットのセットアップにうまく移行できることを示す。
  論文  参考訳（メタデータ） (2020-11-26T14:58:49Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)

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。