論文の概要: Sim-to-Real RL for ASVs using SysID

• arxiv url: http://arxiv.org/abs/2610.12202v1
• Date: Thu, 08 Oct 2026 15:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.147008
• Title: Sim-to-Real RL for ASVs using SysID
• Title（参考訳）: SysIDを用いたASVのSim-to-Real RL
• Abstract要約: 本稿では、未知の車両力学から始まるトレーニングポリシーを可能にするASVシミュレータと付随パイプラインを提案する。 本フレームワークはCADモデルと,流体力学パラメータとスラスタパラメータの両方を近似・精錬するための簡易なオープンウォーター・フィールド・トラジェクトリのみを用いている。 BlueBoat ASV上の実世界の展開は、先進的な流体力学やプロペラ情報のない経路追従およびステーション維持タスクにおけるゼロショットのシミュレートを成功させる。
• 参考スコア（独自算出の注目度）: 9.046303887827065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous Surface Vehicles (ASVs) operating in dynamic marine environments require robust control policies for tasks such as path following and station keeping, making reinforcement learning (RL) a promising alternative to classical controllers. However, existing ASV simulators rarely support parallel environments for RL training. Such existing simulators require accurate hydrodynamic modeling from computational fluid dynamics solvers or towing tank tests for setting hydrodynamic parameters to address the sim-to-real gap. To address these challenges, we present an ASV simulator and accompanying pipeline that enables training policies starting from unknown vehicle dynamics. Our framework uses only a CAD model and brief set of open-water field trajectories for approximating and refining both hydrodynamic and thruster parameters. Real-world deployments on a BlueBoat ASV demonstrate successful zero-shot sim-to-real transfer in path following and station-keeping tasks without prior hydrodynamic and propeller information.
• Abstract（参考訳）: 動的海洋環境下での自律型表面車両(ASV)は、経路追従やステーション維持などのタスクに対して堅牢な制御ポリシーを必要とし、強化学習(RL)を古典的なコントローラの代替として有望なものにしている。 しかし、既存のASVシミュレータはRLトレーニングのための並列環境をほとんどサポートしていない。 このような既存のシミュレータは、計算流体力学の解法による正確な流体力学モデリングや、シミュレーションと現実のギャップに対処するために流体力学パラメータを設定するための曳航タンク試験を必要としている。 これらの課題に対処するために、未知の車両力学から始まるトレーニングポリシーを可能にするASVシミュレータと付随パイプラインを提案する。 本フレームワークはCADモデルと,流体力学パラメータとスラスタパラメータの両方を近似・精錬するための簡易なオープンウォーター・フィールド・トラジェクトリのみを用いている。 BlueBoat ASV上の実世界の展開は、先進的な流体力学やプロペラ情報のない経路追従およびステーション維持タスクにおけるゼロショットのシミュレートを成功させる。

関連論文リスト

• CORAL-AUV: CFD Oriented Reinforcement Learning for Autonomous Underwater Vehicles [14.192376456398456]
  自律型水中車両(AUV)の微粒化制御と位置決めは、サンプリング、メンテナンス、および調査用途において重要である。 AUVの従来の制御方法は労働集約的であり、車両の構成や環境条件の変化に対して堅牢ではない。 我々は、CFDデータに基づいて訓練された代理ドラッグモデル(SDM)上でポリシートレーニングを行う6-DOF AUV上で、ゼロショットRLポリシーを成功させた最初の人物である。
  論文  参考訳（メタデータ） (2026-07-10T16:02:55Z)
• Dynamics Distillation for Efficient and Transferable Control Learning [24.318649378170075]
  我々は,高忠実度車両シミュレーションと拡張性強化学習を橋渡しするフレームワークであるSim2Sim2Simを紹介する。 我々は、より効率的な政策最適化と、挑戦的な動的条件下での信頼性転送を実証する。
  論文  参考訳（メタデータ） (2026-05-02T16:08:26Z)
• Sim-to-reality adaptation for Deep Reinforcement Learning applied to an underwater docking application [0.0]
  Deep Reinforcement Learning (DRL)は、自律的な水中ドッキングのための従来の制御方法に代わる堅牢な代替手段を提供する。 本稿では,高忠実なディジタル双生児環境を活用することで,ジローナ自律水中車両(AUV)を用いた自律ドッキングの体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2026-03-12T15:01:25Z)
• Sim2Swim: Zero-Shot Velocity Control for Agile AUV Maneuvering in 3 Minutes [2.6511518230332753]
  ホロノミック・自律型水中車両(AUV)は、翻訳的および回転的自由度(DOF)の両方において、アジャイル操作のハードウェア能力を有する 本報告では, 訓練期間をわずか3分で行うことにより, 経路追従とアジャイル6DOF操作を可能にする, 汎用ゼロショット・シム2リアル深部強化学習(DRL)速度制御器について述べる。
  論文  参考訳（メタデータ） (2025-12-09T14:42:26Z)
• UGSim: Autonomous Buoyancy-Driven Underwater Glider Simulator with LQR Control Strategy and Recursive Guidance System [3.8632181427836945]
  本稿では,浮力駆動グライダーのシミュレータであるUGSimについて述べる。 浮力駆動グライダーに対する複雑な流体力学と静水圧の影響から生じる、ユニークな課題に対処するために設計された。 シミュレーターは、海における高価な時間を要するアルゴリズムの開発と評価を加速するために提供される。
  論文  参考訳（メタデータ） (2025-01-29T18:50:41Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• 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)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)

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。