論文の概要: MARGoS: A Configuration-Driven Platform for Reproducible MARL Experiments in ARGoS

• arxiv url: http://arxiv.org/abs/2610.13772v1
• Date: Fri, 09 Oct 2026 15:55:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.660923
• Title: MARGoS: A Configuration-Driven Platform for Reproducible MARL Experiments in ARGoS
• Title（参考訳）: MARGoS:ARGoSにおける再現可能なMARL実験のための構成駆動プラットフォーム
• Abstract要約: マルチエージェント強化学習(MARL)は、特に集団ロボット工学において顕著な研究方向となっている。 MARGoSは軽量で構成駆動のプラットフォームで、実験定義の入力をファーストクラスのプラットフォーム管理アーティファクトに高める。 MARGoSは、構成ハッシュ、エンドツーエンドのシード伝搬、凍結(不変)構成、構造化ロギング、環境指紋、エクスポート可能な実験バンドルを通じて再現可能な実験を可能にする。
• 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: Multi-agent reinforcement learning (MARL) has become a prominent research direction, particularly within collective robotics, where the ARGoS simulator is widely used to study emergent swarm behavior. Yet despite this growth, systematic support for reuse and reproducibility in MARL-based swarm robotics remains limited and insufficiently standardized: a single experiment is assembled from manually aligned simulator files, training scripts, configuration values, paths, seeds, and environment details, so reuse and reproduction stay fragile even within one research group. To address this gap, we introduce MARGoS, a lightweight, configuration-driven platform developed in this project that elevates these experiment-defining inputs to first-class, platform-managed artifacts. MARGoS enables reproducible experimentation through configuration hashing, end-to-end seed propagation, frozen (immutable) configurations, structured logging, environment fingerprinting, and exportable experiment bundles that facilitate sharing, replay, and verification of results across machines and over time. A five-dimension evaluation (architecture, efficiency, reproducibility, usability, and collaboration) supports our claim that managing experiment variation as a platform responsibility makes ARGoS+MARL experiments easier to reuse, reproduce, and hand off. Our code is available at https://github.com/tombackert/margos.
• Abstract（参考訳）: マルチエージェント強化学習(MARL)は、特に集団ロボティクスにおいて顕著な研究方向となり、ARGoSシミュレータは緊急群群行動の研究に広く利用されている。 しかし、この成長にもかかわらず、MARLベースのSwarmロボットの再利用と再現性に対する体系的なサポートは制限され、十分に標準化されていない。手動で調整されたシミュレーターファイル、トレーニングスクリプト、構成値、パス、シード、環境の詳細から1つの実験が組み立てられ、1つの研究グループ内でも再利用と再現が脆弱である。 このギャップに対処するために、このプロジェクトで開発された軽量で構成駆動のプラットフォームであるMARGoSを紹介します。 MARGoSは、構成ハッシュ、エンドツーエンドのシード伝搬、凍結(不変)構成、構造化ロギング、環境指紋処理、およびマシン間の結果の共有、再生、検証を容易にするエクスポート可能な実験バンドルを通じて、再現可能な実験を可能にする。 5次元評価(アーキテクチャ、効率、再現性、ユーザビリティ、コラボレーション)は、プラットフォーム責任としての実験変動の管理によってARGoS+MARL実験の再利用、再生、引き渡しが容易になるという私たちの主張を支持します。 私たちのコードはhttps://github.com/tombackert/margos.comで利用可能です。

関連論文リスト

• Flower Hub: A Reproducible Benchmarking Platform for Federated Learning in Simulation and Deployment [51.83961778298564]
  Flower Hubは、分散およびフェデレーションされたアプリケーションを公開、発見、実行するためのプラットフォームです。 ベンチマークを実行可能としてパッケージングすることで再現性のあるベンチマークを実現する方法、標準化されたメタデータを備えたバージョン管理されたアプリケーション、ピン付き依存関係、明示的な評価について示す。
  論文  参考訳（メタデータ） (2026-08-25T20:09:44Z)
• The Open Ant: A Robot Platform for Reinforcement Learning Research [3.32885305863552]
  一般に使われているGymnasium Ant環境の物理変種であるOpen Antをシミュレーションとともに提示する。 本研究では,身体ロボットの体験から約1時間以内に,有能な歩行ポリシーを学習できることを実証した。 また、このプラットフォームが実験的なエコシステムをいかにうまくサポートしているかについても検討する。
  論文  参考訳（メタデータ） (2026-07-20T20:18:29Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• GEM: A Gym for Agentic LLMs [88.36970707762424]
  General Experience Maker (GEM) は、大規模言語モデル(LLM)の時代に設計されたオープンソースの環境シミュレータである。 GEMは、高スループットのための非同期ベクトル化実行を含む環境エージェントインタフェースの標準化されたフレームワークを提供する。 GEMを用いてPPO,GRPO,REINFORCEのアップル・ツー・アップル・ベンチマークを行い,アルゴリズム設計に光を当てる。
  論文  参考訳（メタデータ） (2025-10-01T15:55:57Z)
• MLXP: A Framework for Conducting Replicable Experiments in Python [63.37350735954699]
  MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。 実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
  論文  参考訳（メタデータ） (2024-02-21T14:22:20Z)
• SIERRA: A Modular Framework for Research Automation and Reproducibility [6.1678491628787455]
  本稿では,研究の加速と成果向上のための新しいフレームワークであるSIERRAを紹介する。 SIERRAは、独立変数上のクエリから実行可能な実験を生成するプロセスを自動化することで研究を加速する。 個々の研究者のニーズに応じてカスタマイズと拡張が容易なモジュラーアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2022-08-16T15:36:34Z)
• From Multi-agent to Multi-robot: A Scalable Training and Evaluation Platform for Multi-robot Reinforcement Learning [12.74238738538799]
  マルチエージェント強化学習(MARL)は、過去数十年間、学術や産業から広く注目を集めてきた。 これらの手法が実際のシナリオ、特にマルチロボットシステムでどのように機能するかは未だ分かっていない。 本稿では,マルチロボット強化学習(MRRL)のためのスケーラブルなエミュレーションプラットフォームSMARTを提案する。
  論文  参考訳（メタデータ） (2022-06-20T06:36:45Z)
• SIERRA: A Modular Framework for Research Automation [5.220940151628734]
  本稿では,研究の加速と成果向上のための新しいフレームワークであるSIERRAを紹介する。 SIERRAは、実験用の独立変数を素早く指定し、実験的な入力を生成し、実験を自動的に実行し、結果を処理してグラフやビデオなどの成果物を生成する。 個々の研究者のニーズに対して、簡単にカスタマイズと自動化の拡張を可能にする、深くモジュール化されたアプローチを採用している。
  論文  参考訳（メタデータ） (2022-03-03T23:45:46Z)
• Integrated Benchmarking and Design for Reproducible and Accessible Evaluation of Robotic Agents [61.36681529571202]
  本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。 このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。 本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
  論文  参考訳（メタデータ） (2020-09-09T15:31:29Z)

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。