論文の概要: Dual Variational Autoencoders for Efficient Sim-to-Real Transfer in Low-Cost Robotic Navigation

• arxiv url: http://arxiv.org/abs/2610.06327v1
• Date: Mon, 05 Oct 2026 13:38:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 09:08:32.916242
• Title: Dual Variational Autoencoders for Efficient Sim-to-Real Transfer in Low-Cost Robotic Navigation
• Title（参考訳）: 低コストロボットナビゲーションにおける2変分オートエンコーダの高効率化
• Abstract要約: シミュレーションからの直接的なポリシー転送は効果がないことが多いが、実際のデータのみによるトレーニングは実用的ではない。 本稿では,ドメインのランダム化と特徴レベルのドメイン適応を組み合わせることで,シム・トゥ・リアルギャップを効果的に橋渡しするハイブリッドトランスファー学習フレームワークを提案する。 本手法は,実世界の屋内ナビゲーションにおける画像分類作業において,約91%の成功率を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-based autonomous navigation for low-cost robots remains a fundamental challenge, primarily due to the significant gap between simulated training environments and real-world operational conditions. Direct policy transfer from simulation is often ineffective, while training exclusively on real data is impractical. We propose a hybrid transfer learning framework that effectively bridges the sim-to-real gap by combining domain randomization with feature-level domain adaptation. Our method employs a dual convolutional variational autoencoder architecture with a shared decoder, trained on an extensive set of 45225 simulated images and a minimal set of only 4556 real-world samples. This architecture learns a compact, common latent representation space that aligns the distributions of both domains. The adaptation process is further enhanced by two complementary data augmentation techniques designed to expand the limited real-world data. Experimental evaluation demonstrates that our method achieves an average success rate of almost 91% on image classification tasks for real-world indoor navigation, significantly outperforming both simulation-only and real-world-only training. We validate these findings through a direct, real-world deployment, where the proposed policy successfully guides a low-cost robot in a reactive exploration task. Furthermore, we validate the model's efficiency through a rigorous computational estimation, confirming its suitability for resource-constrained embedded platforms such as the Raspberry Pi 4 and NVIDIA Jetson Nano. This work presents a practical solution for developing effective and efficient navigation policies for low-cost robotic systems.
• Abstract（参考訳）: 低コストロボットのための視覚ベースの自律ナビゲーションは、主に模擬訓練環境と実世界の運用環境との間に大きなギャップがあるため、依然として根本的な課題である。 シミュレーションからの直接的なポリシー転送は効果がないことが多いが、実際のデータのみによるトレーニングは実用的ではない。 本稿では,ドメインのランダム化と特徴レベルのドメイン適応を組み合わせることで,シム・トゥ・リアルギャップを効果的に橋渡しするハイブリッドトランスファー学習フレームワークを提案する。 提案手法では,2つの畳み込み変分オートエンコーダアーキテクチャと共有デコーダを用い,45225個のシミュレーション画像と4556個の実世界のサンプルの最小セットに基づいて訓練を行った。 このアーキテクチャは、両方の領域の分布を整列するコンパクトで共通の潜在表現空間を学習する。 適応プロセスは、2つの補完的なデータ拡張技術によりさらに強化され、限られた実世界のデータを拡張する。 実験により,本手法は実世界の屋内ナビゲーションにおける画像分類作業において,約91%の成功率を達成した。 提案手法は,反応探索作業における低コストロボットの誘導に成功している。 さらに, Raspberry Pi 4 や NVIDIA Jetson Nano などの資源制約付組込みプラットフォームに対して, 厳密な計算計算によるモデル効率の検証を行い, 適合性を確認した。 本研究は,低コストロボットシステムのための効率的かつ効率的なナビゲーションポリシーを開発するための実用的なソリューションを提案する。

関連論文リスト

• ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation [90.4702774169675]
  本稿では,古典シミュレーションとニューラルシミュレーションを組み合わせた合成シミュレーションというハイブリッド手法を提案する。 提案手法では,少数の実世界のデータを活用するクローズドループ・リアル・シモン・リアル・データ拡張パイプラインを利用する。 我々はニューラルシミュレーターをトレーニングし、古典的なシミュレーションビデオを現実世界の表現に変換し、現実の環境で訓練されたポリシーモデルの精度を向上させる。
  論文  参考訳（メタデータ） (2026-04-13T12:25:45Z)
• Sim-to-Real Transfer via a Style-Identified Cycle Consistent Generative Adversarial Network: Zero-Shot Deployment on Robotic Manipulators through Visual Domain Adaptation [1.0499611180329804]
  深層強化学習(Dep Reinforcement Learning, DRL)は、実世界の訓練のコストと時間的要求により、その産業的採用を損なう。 仮想環境はDRLエージェントを訓練するためのコスト効率の良い代替手段を提供するが、学習したポリシーの実際のセットアップへの移動は、sim-to-realギャップによって妨げられる。 本研究は,CycleGANベースモデルであるStyleID-CycleGAN(StyleID-CycleGAN, SICGAN)に基づく新しい領域適応手法を提案する。
  論文  参考訳（メタデータ） (2026-01-23T11:48:15Z)
• RoboRAN: A Unified Robotics Framework for Reinforcement Learning-Based Autonomous Navigation [15.548637925166986]
  多様なロボットプラットフォームと運用環境にまたがって、RLベースのナビゲーションポリシーをトレーニング、評価、デプロイするためのマルチドメインフレームワークを提案する。 本研究は,(1)シームレスなロボットタスク交換性と再現可能なトレーニングパイプラインを実現するスケーラブルでモジュール化されたフレームワーク,(2)複数のロボットによる実世界実験を通じて実世界へのトランスファーを実証するsim-to-real,(3)Isaac Labがトレーニングしたポリシーを実際のロボットに展開する最初のオープンソースAPIのリリース,の4つの重要な貢献について述べる。
  論文  参考訳（メタデータ） (2025-05-20T15:48:23Z)
• An Real-Sim-Real (RSR) Loop Framework for Generalizable Robotic Policy Transfer with Differentiable Simulation [13.15220962477623]
  本稿では,シミュレーションと実環境のギャップを解消する新しいリアルタイムループフレームワークを提案する。 我々の研究の重要な貢献は、多様で代表的な実世界のデータの収集を促進する情報的コスト関数の設計である。 我々のアプローチは多機能なMJXプラットフォーム上で実装されており、我々のフレームワークは幅広いロボットシステムと互換性がある。
  論文  参考訳（メタデータ） (2025-03-13T07:27:05Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Sim-to-Real Transfer with Incremental Environment Complexity for Reinforcement Learning of Depth-Based Robot Navigation [1.290382979353427]
  段階的環境複雑性を用いたソフト・アクター・クリティカル(SAC)トレーニング戦略を提案し,実世界における追加トレーニングの必要性を大幅に低減した。 アプリケーションは深度に基づくマップレスナビゲーションで、移動ロボットは、事前のマッピング情報なしで、散らかった環境で所定の経路点に到達すべきである。
  論文  参考訳（メタデータ） (2020-04-30T10:47:02Z)

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。