論文の概要: Too Hard, Too Easy, Just Right: Performance-Driven Challenge Adaptation in Virtual Reality Firefighter Training

• arxiv url: http://arxiv.org/abs/2610.38117v1
• Date: Wed, 28 Oct 2026 00:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.934731
• Title: Too Hard, Too Easy, Just Right: Performance-Driven Challenge Adaptation in Virtual Reality Firefighter Training
• Title（参考訳）: 仮想現実(VR)ファイアファイアファイアファイアファイアウォールトレーニングにおけるパフォーマンス駆動型チャレンジ適応
• Abstract要約: 本稿では,VR消防士訓練のためのパフォーマンス駆動型適応訓練システムProACTを紹介する。 ProACTは、訓練生のパフォーマンスとシミュレートされた火災力学の間のクローズドループ相互作用を通じてシナリオの難易度を制御する。 評価の結果,ProACTは既存の適応的ベースラインや非適応的ベースラインと比較して,客観的トレーニング性能と主観的ユーザエクスペリエンスの両方を改善していることがわかった。
• 参考スコア（独自算出の注目度）: 15.946435059079988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective firefighter training requires practice under dynamic and stressful emergency conditions, yet real-world live-fire exercises are costly, risky, and difficult to scale. Virtual Reality (VR) offers a safe and controllable alternative, but many existing VR firefighter training systems rely on fixed scenarios or provide limited difficulty adaptation, making it difficult to maintain an appropriate level of challenge for skill development as trainees' performance changes over time. To address this limitation, we present ProACT, a performance-driven adaptive training system that regulates scenario difficulty through closed-loop interactions between trainee performance and simulated fire dynamics. Specifically, ProACT combines a global module that continuously adjusts scene-level fire spread dynamics in real time based on trainee performance with a local module that periodically updates object-level flammability across the environment. Our evaluation shows that ProACT improves both objective training performance and subjective user experience compared with existing adaptive and non-adaptive baselines. We further discuss how adaptive immersive environments can extend beyond firefighting to broader training domains.
• Abstract（参考訳）: 効果的な消防士訓練には、動的でストレスの多い緊急条件下での練習が必要であるが、現実のライブファイア運動はコストが高く、リスクが高く、スケールが難しい。 VR(Virtual Reality)は安全かつ制御可能な代替手段を提供するが、多くの既存のVR消防士訓練システムは固定シナリオに依存したり、制限された難易度適応を提供するため、トレーニング担当者のパフォーマンスが経時的に変化するにつれて、スキル開発のための適切なレベルの課題を維持することは困難である。 この制限に対処するために,訓練者のパフォーマンスとシミュレートされた火災力学のクローズドループ相互作用によってシナリオの難易度を制御する,パフォーマンス駆動型適応訓練システムProACTを提案する。 具体的には、訓練生のパフォーマンスに基づいて、シーンレベルの火災拡散ダイナミクスをリアルタイムで継続的に調整するグローバルモジュールと、環境全体のオブジェクトレベルの可燃性を定期的に更新するローカルモジュールを組み合わせる。 評価の結果,ProACTは既存の適応的ベースラインや非適応的ベースラインと比較して,客観的トレーニング性能と主観的ユーザエクスペリエンスの両方を改善していることがわかった。 さらに、消防活動を超えてより広い訓練領域に適応的な没入環境を拡張できるかについても論じる。

関連論文リスト

• SAPD: Learning from Agent Experience without Environment Interaction [25.81963314457883]
  Step-Advantage Policy Distillation (SAPD) は、相対的なステップの利点を用いてオフラインの軌道から学習する方法である。 SAPDは、多ターン軌跡を個別の意思決定コンテキストに分解し、オンライン蒸留を行う。 ALFWorld、WebShop、検索ベースのQAの実験では、SAPDは異なる教師構成でパフォーマンスを改善している。
  論文  参考訳（メタデータ） (2026-10-20T08:30:30Z)
• SCALER:Synthetic Scalable Adaptive Learning Environment for Reasoning [24.80806018678682]
  強化学習(Reinforcement Learning, RL)は、大規模言語モデルの推論能力を高めるための原則的な方法である。 実際には、RLの進捗は、タスクの難しさがモデル能力と整合しなくなると遅くなります。 本稿では,適応環境設計による効果的な学習信号を維持する枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-08T10:42:04Z)
• Scaling Agent Learning via Experience Synthesis [100.42712232390532]
  強化学習は、対話を通じて自己改善を行うことで、自律的なエージェントに力を与えることができる。 しかし、コストのかかるロールアウト、タスクの多様性の制限、信頼性の低い報奨信号、インフラストラクチャの複雑さによって、その実践的採用は依然として困難である。 私たちはDreamGymを紹介します。DreamGymはスケーラビリティを念頭において多様なエクスペリエンスを合成するために設計された最初の統合フレームワークです。
  論文  参考訳（メタデータ） (2025-11-05T18:58:48Z)
• Adaptive Approach to Enhance Machine Learning Scheduling Algorithms During Runtime Using Reinforcement Learning in Metascheduling Applications [0.0]
  本稿では,メタスケジューラに組み込まれた適応型オンライン学習ユニットを提案する。 オンラインモードでは、強化学習は、新しいスケジューリングソリューションを継続的に探索し発見することで、重要な役割を果たす。 オンライン学習ユニット内にいくつかのRLモデルが実装され、それぞれがスケジューリングの特定の課題に対処するように設計された。
  論文  参考訳（メタデータ） (2025-09-24T19:46:22Z)
• EgoAdapt: Adaptive Multisensory Distillation and Policy Learning for Efficient Egocentric Perception [59.93605371289108]
  EgoAdaptは、エゴセントリックな知覚タスク間で効率的な推論を可能にするために、クロスモーダル蒸留とポリシー学習を適応的に行うフレームワークである。 その結果、EgoAdaptは効率を大幅に向上し、GMACを89.09%、パラメータを82.02%、エネルギーを9.6倍に削減した。
  論文  参考訳（メタデータ） (2025-06-26T08:09:16Z)
• A General Infrastructure and Workflow for Quadrotor Deep Reinforcement Learning and Reality Deployment [48.90852123901697]
  本稿では, エンドツーエンドの深層強化学習(DRL)ポリシーを四元数へシームレスに移行できるプラットフォームを提案する。 本プラットフォームは, ホバリング, 動的障害物回避, 軌道追尾, 気球打上げ, 未知環境における計画など, 多様な環境を提供する。
  論文  参考訳（メタデータ） (2025-04-21T14:25:23Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• Grow Your Limits: Continuous Improvement with Real-World RL for Robotic Locomotion [66.69666636971922]
  本稿では,ロボットの学習過程における探索を調節するポリシー正規化フレームワークであるAPRLを提案する。 APRLは四足歩行ロボットを、数分で完全に現実世界を歩けるように効率よく学習する。
  論文  参考訳（メタデータ） (2023-10-26T17:51:46Z)

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。