論文の概要: XAI-Guided Fourier Domain Generalisation for Pure-Simulation Sim-to-Real Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2610.16478v1
• Date: Mon, 12 Oct 2026 09:31:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.345735
• Title: XAI-Guided Fourier Domain Generalisation for Pure-Simulation Sim-to-Real Deep Reinforcement Learning
• Title（参考訳）: XAI-Guided Fourier Domain Generalization for Pure-Simulation Sim-to-Real Deep Reinforcement Learning
• Abstract要約: 本稿では,XFDを提案する。XFDは,純粋シミュレーションシミュレート・シミュレート・トゥ・リアル強化学習のための説明可能な人工知能(XAI)誘導フーリエドメイン一般化フレームワークである。 XFDは、外見に敏感なスペクトル成分を摂動させることで、シミュレーション内での堅牢性を高める視覚領域を構築する。 シミュレーションとゼロショットの実世界展開の実験により、XFDは標準方針よりも移動距離と報酬を一貫して改善することを示した。
• 参考スコア（独自算出の注目度）: 7.994206359010264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep reinforcement learning has shown strong potential for vision-based autonomous driving, but policies trained in simulation often suffer severe performance degradation when deployed in the real world. Existing sim-to-real methods commonly address this gap through image-transfer-based domain adaptation or policy-agnostic domain randomisation. However, the former requires laborious acquisition of target-domain data and is often limited to the deployment domain, whereas the latter introduces unguided perturbations that may not reflect the underlying sim-to-real discrepancy, leading to suboptimal transfer performance. To overcome these limitations, we propose XFD, an explainable artificial intelligence (XAI)-guided Fourier domain generalisation framework for pure-simulation sim-to-real reinforcement learning. The proposed framework extracts explainability attribution maps from simulated observations, and converts these attributions into policy-conditioned Fourier-domain interventions. By perturbing appearance-sensitive spectral components while preserving task-defining spatial structures, XFD constructs robustness-enhancing visual domains entirely within simulation. Subsequently, the proposed robust policy optimisation guides the policy towards attending to task-critical features while suppressing sensitivity to irrelevant visual information. Extensive experiments in simulation and zero-shot real-world deployment demonstrate that XFD consistently improves traveled distance and reward over standard policy and randomly domain-randomised baseline, especially on unseen maps with cluttered backgrounds. Attribution-based analysis further proves that the proposed policy preserves more consistent task-relevant visual evidence across simulation and real-world observations.
• Abstract（参考訳）: 深層強化学習は、視覚に基づく自動運転の強い可能性を示しているが、シミュレーションで訓練されたポリシーは、現実世界に配備された場合、しばしば深刻なパフォーマンス劣化に悩まされる。 既存のsim-to-realメソッドは、イメージトランスファーベースのドメイン適応やポリシーに依存しないドメインランダム化を通じて、このギャップに対処する。 しかしながら、前者はターゲットドメインデータの厳格な取得を必要とし、配置ドメインに制限されることが多いが、後者は、基礎となるsim-to-realの不一致を反映しない、非誘導的な摂動を導入し、最適化下転送性能をもたらす。 これらの制限を克服するために、純粋シミュレーションシミュレート・シミュレート・トゥ・リアル強化学習のための説明可能な人工知能(XAI)誘導フーリエドメイン一般化フレームワークであるXFDを提案する。 提案フレームワークは、シミュレーション観測から説明可能性属性マップを抽出し、これらの属性をポリシー条件のフーリエドメインの介入に変換する。 XFDは、タスク定義空間構造を保ちながら、外見に敏感なスペクトル成分を摂動させることで、完全にシミュレーション内で頑健な視覚領域を構築する。 提案したロバストなポリシー最適化は,非関連な視覚情報に対する感受性を抑えつつ,タスククリティカルな特徴への参加をポリシーに導くものである。 シミュレーションとゼロショット実世界の展開における広範囲な実験により、XFDは標準方針やランダムにドメインをランダム化したベースライン、特に散らかった背景を持つ見えない地図上で、移動距離と報酬を一貫して改善することを示した。 属性に基づく分析は、提案されたポリシーがシミュレーションや実世界の観測を通してより一貫したタスク関連視覚的証拠を保存することを証明している。

関連論文リスト

• Prompt-Driven Simulation with Feature Perturbation for Cross-Domain Few-Shot Object Detection [8.13477193884434]
  PSP-FSODは、プロンプト駆動型ドメインシミュレーションと機能摂動正規化を統合した、原則化されたフレームワークである。 PSP-FSODは高品質なドメイン多様性の監視を行い、ドメイン不変表現を学習する。
  論文  参考訳（メタデータ） (2026-08-02T16:11:16Z)
• GaussFly: Contrastive Reinforcement Learning for Visuomotor Policies in 3D Gaussian Fields [10.10713417247828]
  GaussFlyは、ポリシー最適化から表現学習を明示的に分離する新しいフレームワークである。 複雑なテクスチャを持つ、目に見えない現実世界環境へのロバストでゼロショットのポリシー転送を可能にする。
  論文  参考訳（メタデータ） (2026-04-06T18:10:52Z)
• Sim2Act: Robust Simulation-to-Decision Learning via Adversarial Calibration and Group-Relative Perturbation [54.29523408543184]
  シミュレーションと意思決定の学習は、現実世界の展開を危険にさらすことなく、デジタル環境で安全なポリシートレーニングを可能にする。 既存のアプローチでは、平均的なシミュレーションの忠実さを改善するか、保守的な正規化を採用するかに重点を置いている。 提案するSim2Actは,シミュレータとポリシーのロバスト性の両方に対処するロバストなシミュレーション・トゥ・意思決定フレームワークである。
  論文  参考訳（メタデータ） (2026-03-10T00:51:47Z)
• Bridging Simulation and Reality: Cross-Domain Transfer with Semantic 2D Gaussian Splatting [60.513168855890974]
  ロボット操作におけるクロスドメイン転送は、シミュレートされた環境と実世界の環境の間に大きなドメインギャップがあるため、長年にわたる課題である。 本研究では,オブジェクト中心の領域不変空間特徴を抽出する新しい表現法であるSemantic 2D Gaussian Splatting (S2GS)を提案する。 S2GSはsim-to-real転送性を大幅に改善し、現実世界のシナリオで高安定なタスク性能を維持する。
  論文  参考訳（メタデータ） (2025-12-04T12:16:15Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Neural Fidelity Calibration for Informative Sim-to-Real Adaptation [10.117298045153564]
  深い強化学習は、アジャイルの移動とナビゲーションのスキルをシミュレータから現実世界にシームレスに移行することができる。 しかし、ドメインのランダム化や敵対的手法とシム・トゥ・リアルのギャップを埋めることは、しばしば政策の堅牢性を保証するために専門家の物理学知識を必要とする。 本研究では, 条件付きスコアベース拡散モデルを用いて, ロボットの動作中における物理係数と残留忠実度領域のキャリブレーションを行う新しいフレームワークであるNeural Fidelity(NFC)を提案する。
  論文  参考訳（メタデータ） (2025-04-11T15:12:12Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)

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。