論文の概要: Network-in-the-Loop at Scale: GPU-Batched 5G Simulation for Massively Parallel Robot Learning

• arxiv url: http://arxiv.org/abs/2610.02370v1
• Date: Thu, 01 Oct 2026 18:46:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.050392
• Title: Network-in-the-Loop at Scale: GPU-Batched 5G Simulation for Massively Parallel Robot Learning
• Title（参考訳）: Network-in-the-Loop at Scale:GPUによる大規模並列ロボット学習のための5Gシミュレーション
• Abstract要約: Isaac-NetはGPUにバッチされた5G New Radio(NR)モジュールで、Isaac Labの物理学とのロックステップで何千もの環境のアップリンクを前進させる。 負荷に対するns-3 5G-LENAの中央遅延を再現し、未確認のキャリアでは5-10%、クローズドループでは環境ごとに9%の遅延を発生させる。 エンジンはまた、各ロボットの最新の報告の年齢である情報時代(AoI)を再現し、メッセージごとに独立した遅延がAoIのテールを約3倍軽くする。
• 参考スコア（独自算出の注目度）: 6.24870581211508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Massively parallel GPU simulators train multi-robot policies in thousands of environments, and many fleets use private Fifth-Generation (5G) networks, where each robot's delay depends on its teammates' traffic. Network-in-the-loop training places a simulated 5G network inside this loop. However, GPU robot simulators reduce the network to an independent delay per message, while packet-level simulators run one scenario per CPU process and cannot keep pace with thousands of parallel environments. To bridge this gap, we present Isaac-Net, a GPU-batched 5G New Radio (NR) module that advances the uplink of thousands of environments in lockstep with Isaac Lab physics. Isaac-Net simulates every slot, the 0.5~ms interval in which the base station decides which robots transmit, for all environments at once. Extensive experiments confirm that its NR engine reproduces the median delay of ns-3 5G-LENA across loads, with a median delay 5--10\% low on an unseen carrier and 9\% high at 32 robots per environment in closed loop. The engine also reproduces the Age of Information (AoI), the age of each robot's newest delivered report, while an independent delay per message leaves the AoI tail about three times too light. In a configuration validated against 5G-LENA, Isaac-Net keeps the network in the loop for about one million robots on one GPU at 83\% of the Isaac Lab rate without the network, measured under a random policy. Isaac-Net is open source at https://github.com/ZzZTripleZzZ/isaac-net
• Abstract（参考訳）: 非常に並列なGPUシミュレータは、何千もの環境でマルチロボットポリシーを訓練し、多くのフリートはプライベートな第5世代(5G)ネットワークを使用し、各ロボットの遅延はチームメイトのトラフィックに依存する。 Network-in-the-loopトレーニングでは、このループ内にシミュレートされた5Gネットワークが配置される。 しかし、GPUロボットシミュレーターはメッセージ毎にネットワークを独立した遅延に減らし、パケットレベルシミュレーターはCPUプロセス毎に1つのシナリオを実行し、数千の並列環境に追従できない。 このギャップを埋めるために、Isaac-NetというGPUでバッチした5G New Radio(NR)モジュールを紹介します。 アイザック・ネットは全てのスロット、つまり基地局がどのロボットを一度に送信するかを決める0.5〜ms間隔をシミュレートする。 広汎な実験により、NRエンジンは負荷全体にわたるns-3 5G-LENAの中央遅延を再現し、未確認のキャリアでは5～10倍、閉ループでは環境ごとに9～9倍の遅延を再現した。 エンジンはまた、各ロボットの最新の配信されたレポートの年齢であるエイジ・オブ・インフォメーション(AoI)を再現し、メッセージごとに独立した遅延がAoIのテールを3倍軽すぎる。 5G-LENAに対して検証された構成では、Isaac-Netはネットワークをランダムなポリシーの下で測定したIsaac Labレートの83倍の速度で、1つのGPU上で約100万のロボットのネットワークをループに保持する。 Isaac-Netがhttps://github.com/ZzZTripleZzZ/isaac-netでオープンソース化

関連論文リスト

• When Robots Exchange Meaning: A Demo of Goal-Oriented Semantic Communications for Collaborative Robotics [2.7158085195874713]
  本稿では,ロボット側視覚圧縮,エッジ側セマンティックマッピング,ダッシュボードベースのミッションインタラクションを統合した,ロボットエッジセマンティックコミュニケーション(SemCom)テストベッドを提案する。 RGB-DセンシングとLiDARを備えた移動ロボットがROS2を動作させ、Jetson Orinエッジノードが再構成、セマンティックオブジェクトハンドリング、可視化を行う。 再構成されたビジュアルストリームは、下流ロボットアプリケーションのためのセマンティックマップを生成するために、深さ、ポーズ、および3Dマッピング情報にさらに関連付けられる。
  論文  参考訳（メタデータ） (2026-07-30T14:16:23Z)
• UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms [68.40808444348735]
  シミュレーション支配型ロボット制御では、どのプロセッサが物理を実行するかではなく、シミュレーションスループット、ポリシー学習、実行時同期が効率的なエンドツーエンドループを形成するかどうかが重要な問題である。 データ移動、バッファリング、同期のための統一ランタイムを通じて、GPUポリシー更新からCPU並列シミュレーションを分離する、異種CPU常駐/GPU学習アーキテクチャであるUniLabを提案する。
  論文  参考訳（メタデータ） (2026-05-28T17:53:50Z)
• NeuralEmu: in situ Measurement-Driven, ML-based, High-Fidelity 5G Network Emulation [10.133170438359604]
  我々は高忠実で機械学習に基づくエミュレーションフレームワークであるNeuralEmuを紹介する。 ネットワークテレメトリツールから直接,複雑な5Gスケジューラリソース割り当て動作を学習する。 様々なネットワークアプリケーションに対する技術状況に対するエミュレーションエラーを低減する。
  論文  参考訳（メタデータ） (2026-04-28T19:46:42Z)
• Learning Sim-to-Real Humanoid Locomotion in 15 Minutes [51.500643119683225]
  本稿では,FastSACとFastTD3という,非政治的RLアルゴリズムに基づくシンプルで実用的なレシピを提案する。 我々の単純なレシピは、何千もの並列環境において、政治外のRLアルゴリズムを大規模に安定化させる。 我々は,Unitree G1 と Booster T1 ロボット上でのヒューマノイド移動制御器のエンドツーエンドの迅速な学習を実演する。
  論文  参考訳（メタデータ） (2025-12-01T18:55:17Z)
• The One RING: a Robotic Indoor Navigation Generalist [58.30694487843546]
  RING (Robotic Indoor Navigation Generalist) は、あらゆる移動ロボットを効果的な屋内セマンティックナビゲータに変えるための具体的方針である。 完全にシミュレーションで訓練されたRingは、ロボットによる大規模なランダム化を利用して、多くの現実世界のプラットフォームに堅牢な一般化を可能にする。
  論文  参考訳（メタデータ） (2024-12-18T23:15:41Z)
• Fleet-DAgger: Interactive Robot Fleet Learning with Scalable Human Supervision [72.4735163268491]
  ロボットの商業的および産業的な展開は、実行中にリモートの人間のテレオペレーターにフォールバックすることが多い。 我々は対話型フリートラーニング(Interactive Fleet Learning, IFL)の設定を定式化し、複数のロボットが対話型クエリを行い、複数の人間スーパーバイザーから学習する。 IFLアルゴリズムのファミリーであるFleet-DAggerを提案し、新しいFleet-DAggerアルゴリズムをシミュレーションで4つのベースラインと比較する。
  論文  参考訳（メタデータ） (2022-06-29T01:23:57Z)
• Deep Reinforcement learning for real autonomous mobile robot navigation in indoor environments [0.0]
  本研究では,地図やプランナーを使わずに,未知の環境下での自律型自律学習ロボットナビゲーションの概念を実証する。 ロボットの入力は、2DレーザースキャナーとRGB-Dカメラからの融合データと目標への向きのみである。 Asynchronous Advantage Actor-Critic Network(GA3C)の出力動作は、ロボットの線形および角速度である。
  論文  参考訳（メタデータ） (2020-05-28T09:15:14Z)

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。