論文の概要: Rendering-Free Event Frame Simulation for Fast Reinforcement Learning of Autonomous Robot Navigation
- arxiv url: http://arxiv.org/abs/2610.37543v1
- Date: Tue, 27 Oct 2026 16:56:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.722979
- Title: Rendering-Free Event Frame Simulation for Fast Reinforcement Learning of Autonomous Robot Navigation
- Title（参考訳）: 自律型ロボットナビゲーションの高速強化学習のためのレンダリングフリーイベントフレームシミュレーション
- Abstract要約: イベントカメラは低レイテンシ、高ダイナミックレンジ、ミリワットレベルの消費電力を提供する。
既存のシミュレータは通常、それらをイベントに変換する前にフォトリアリスティックな画像をレンダリングする。
コントラストエッジを移動させるイベントカメラの基本的な測定値を利用する分析イベントシミュレータを提案する。
- 参考スコア（独自算出の注目度）: 15.041521739736893
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Event cameras offer low latency, high dynamic range, and milliwatt-level power consumption, making them ideal for agile robots such as tiny drones navigating through cluttered environments. However, existing simulators generally render photorealistic images before converting them into events, making large-scale reinforcement learning prohibitively slow. We propose an analytic event simulator that exploits what event cameras fundamentally measure - moving contrast edges - to synthesize event streams directly from scene geometry and ego-motion without visual rendering. Our simulator generates a 64x64 event observation in 17 microseconds on a single GPU - over 400x faster than a state-of-the-art rendering pipeline - enabling end-to-end reinforcement learning for goal-directed obstacle avoidance to converge in under 30 minutes - three orders of magnitude faster than training on rendered events. Policies transfer zero-shot to physically based event simulations (ray-traced Isaac Sim). Our policy reaches 83% success in cluttered courses unseen during training (mid-difficulty, traversability probability approx. 0.57), at 2.4 m/s average goal velocity, and retains 70% in a simulated texture-dense indoor hall. Furthermore, we quantized the policy to a 1.2 MB int8 network running fully onboard a 56-gram Crazyflie equipped with a Prophesee GenX320 event camera and an OpenMV N6 microcontroller board. Without any fine-tuning, external processing, or positioning, the policy achieves an average success rate of 82% (5/5, 5/6, 4/6 flights) across three real-world obstacle courses of increasing difficulty. Code: https://github.com/tudelft/rendering-free-event-nav
- Abstract（参考訳）: イベントカメラは低レイテンシ、高ダイナミックレンジ、ミリワットレベルの電力消費を提供する。
しかし、既存のシミュレータは一般的に、イベントに変換する前にフォトリアリスティックな画像をレンダリングし、大規模な強化学習を違法に遅くする。
本研究では,イベントカメラの基本的な計測値であるコントラストエッジの移動を利用して,シーン形状やエゴモーションから直接イベントストリームを合成する分析イベントシミュレータを提案する。
我々のシミュレーターは、1つのGPU上で17マイクロ秒で64x64イベントを観測し、最先端のレンダリングパイプラインよりも400倍高速で、目標指向の障害物回避のためのエンドツーエンドの強化学習を30分以内で収束させることができる。
ポリシーはゼロショットを物理的にベースとしたイベントシミュレーション(アイザック・シム)に転送する。
本政策は, 学習中にみられない乱雑なコース(約0.57程度)において, 平均目標速度2.4 m/sで83%成功し, 擬似テクスチャディエンス屋内ホールで70%を維持した。
さらに,Prophesee GenX320イベントカメラとOpenMV N6マイクロコントローラボードを備えた56グラムのCrazyflieで稼働する1.2MBのInt8ネットワークにポリシーを量子化した。
微調整、外部処理、位置決めがなければ、このポリシーは3つの現実世界の障害物コースで平均82%(5/5、5/6、4/6フライト)の成功率を達成する。
コード:https://github.com/tudelft/rendering-free-event-nav
関連論文リスト
- EsaacSim: A Multimodal Event Camera Add-on for NVIDIA Isaac Sim [1.381010753883328]
EsaacSimはNVIDIA Isaac Simのマルチモーダルイベントカメラアドオンである。
グレースケールとBayer RGGBイベント生成によるイベントカメラのオンラインシミュレーションを可能にする。
論文 参考訳（メタデータ） (2026-08-09T06:41:39Z) - Robostral Navigate [138.74472687550374]
Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。
モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。
我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
論文 参考訳（メタデータ） (2026-07-22T23:13:05Z) - EVIS: A Physics-Grounded Event Camera Plugin for NVIDIA Isaac Sim [3.3900431852643114]
EVIS:NVIDIA Isaac Sim用の物理地上イベントカメラプラグイン。
物理シミュレータ内で直接、ハイレートで完全にラベル付けされたイベントストリームを生成する。
生成されたストリームは、ダウンストリームタスクのための事前トレーニングされたイベントネットワークによって直接使用することができる。
論文 参考訳（メタデータ） (2026-07-09T04:13:31Z) - 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) - GaussGym: An open-source real-to-sim framework for learning locomotion from pixels [78.05453137978132]
本稿では,3次元ガウススプラッティングをベクトル化物理シミュレータのドロップインとして統合した光現実的ロボットシミュレーションを提案する。
これにより、コンシューマGPUで毎秒10万ステップを超える、前例のないスピードを実現している。
また,シミュレーティブ・トゥ・リアル・ロボティクス・セッティングにおける適用性を実証した。
論文 参考訳（メタデータ） (2025-10-17T06:34:52Z) - EV-Catcher: High-Speed Object Catching Using Low-latency Event-based
Neural Networks [107.62975594230687]
イベントカメラが優れており、高速移動物体の衝突位置を正確に推定するアプリケーションを実証する。
イベントデータを低レイテンシでエンコードするために,Binary Event History Image(BEHI)と呼ばれる軽量なイベント表現を導入する。
計算制約のある組込みプラットフォーム上でも最大13m/sの速さで, 異なる場所をターゲットとした球のキャッチにおいて, 81%の成功率を達成することができることを示す。
論文 参考訳（メタデータ） (2023-04-14T15:23:28Z) - Real-time event simulation with frame-based cameras [13.045658279006524]
イベントシミュレータは、新しいアルゴリズムを開発するための実際のイベントカメラの必要性を最小限にする。
本研究では,イベントシミュレーションの性能を2桁に向上させるシミュレーション手法を提案する。
論文 参考訳（メタデータ） (2022-09-10T10:35:53Z) - Large Batch Simulation for Deep Reinforcement Learning [101.01408262583378]
我々は,視覚複雑な3次元環境における深層強化学習に基づく学習を,事前作業よりも2桁高速化する。
単一のGPUマシンで1秒間に19,000フレーム以上の経験と最大72,000フレーム/秒のエンドツーエンドのトレーニング速度を実現します。
バッチシミュレーションと性能最適化を組み合わせることで、1つのGPU上の複雑な3D環境において、従来の最先端システムでトレーニングされたエージェントの精度の97%から97%まで、ポイントナビゲーションエージェントをトレーニングできることを実証する。
論文 参考訳（メタデータ） (2021-03-12T00:22:50Z) - Sim-to-Real Transfer for Vision-and-Language Navigation [70.86250473583354]
本研究では,従来は目に見えなかった環境下でロボットを解放し,制約のない自然言語ナビゲーション指示に従うという課題について検討する。
VLN(Vision-and-Language Navigation)の課題に関する最近の研究は、シミュレーションにおいて大きな進歩を遂げている。
ロボット工学における本研究の意義を評価するため,シミュレーションで訓練されたVLNエージェントを物理ロボットに転送する。
論文 参考訳（メタデータ） (2020-11-07T16:49:04Z)
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。