論文の概要: KlaskTron: An Open-Source Platform for Physical Adversarial Multi-Agent RL

• arxiv url: http://arxiv.org/abs/2611.03138v1
• Date: Mon, 02 Nov 2026 13:49:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:03:58.951513
• Title: KlaskTron: An Open-Source Platform for Physical Adversarial Multi-Agent RL
• Title（参考訳）: KlaskTron: 物理敵対的マルチエージェントRLのためのオープンソースプラットフォーム
• Abstract要約: KlaskTronは、動的テーブルトップゲームKLASKをベースとした、対戦型MARLのためのデスクトップスケールロボットテストベッドである。 このプラットフォームはデュアルのCoreXYガントリーと高トルクのブラシレスモーターを備えており、競争力のあるプレーに必要な高速で正確な操作を可能にしている。 このベースラインがゼロショットポリシー転送を可能にし、訓練されたエージェントが突発的な敵行動を示すことを実証する。
• 参考スコア（独自算出の注目度）: 2.140126541785805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Progress in robot learning, particularly physical multi-agent reinforcement learning (MARL), is currently challenged by a limited availability of accessible, standardized benchmarks. While simulation-based MARL has produced remarkable emergent behaviors, from coordinated team play to complex tool use, translating these advances to physical systems remains difficult. A key barrier is infrastructural: physical platforms are often prohibitively expensive, require specialized facilities, or lack open mechanisms and designs for reproducibility. We introduce KlaskTron, an open-source, low-cost (<\$2500 USD), desktop-scale robotic testbed for adversarial MARL based on the dynamic tabletop game KLASK. The platform features dual CoreXY gantries with high-torque brushless motors, enabling the high-speed, precise manipulation required for competitive play. Crucially, we provide a complete ecosystem: hardware designs (CAD, BOM), a GPU-native digital twin in NVIDIA Isaac Lab for high-fidelity modeling and simulation, and a validated sim-to-real baseline using a learned neural actuator model. We demonstrate that this baseline enables zero-shot policy transfer, with trained agents exhibiting emergent adversarial behaviors. To ensure full reproducibility of our results, all project assets are released publicly: hardware CAD/BOM and assembly documentation at [https://idscethzurich.github.io/klask_hardware], inference software stack at [https://github.com/IDSCETHZurich/klask_software] and the simulation and MARL setup at [https://github.com/IDSCETHZurich/klask_rl].
• Abstract（参考訳）: ロボット学習の進歩、特に物理マルチエージェント強化学習(MARL)は、現在、アクセス可能で標準化されたベンチマークが限られているため、課題となっている。 シミュレーションベースのMARLは、コーディネートされたチームプレイから複雑なツール使用に至るまで、驚くべき創発的な振る舞いを生み出してきたが、これらの進歩を物理システムに翻訳することは依然として困難である。 物理的なプラットフォームは、しばしば高価であり、特別な設備を必要としたり、再現性のためのオープンなメカニズムや設計が欠如している。 動的テーブルトップゲームKLASKをベースとした,対戦型MARLのためのデスクトップスケールロボットテストベッドであるKlaskTronを紹介した。 このプラットフォームはデュアルのCoreXYガントリーと高トルクのブラシレスモーターを備えており、競争力のあるプレーに必要な高速で正確な操作を可能にしている。 ハードウェア設計(CAD,BOM)、NVIDIA Isaac LabのGPUネイティブなデジタルツイン(高忠実度モデリングとシミュレーション)、学習した神経アクチュエータモデルを用いて検証されたsim-to-realベースラインを提供する。 このベースラインがゼロショットポリシー転送を可能にし、訓練されたエージェントが突発的な敵行動を示すことを実証する。 ハードウェアCAD/BOMとアセンブリドキュメント [https://idsthzurich.github.io/klask_hardware]、推論ソフトウェアスタック [https://github.com/IDSCETHZurich/klask_software]、シミュレーションとMARLセットアップ [https://github.com/IDSCETHZurich/klask_rl]。

関連論文リスト

• StarVLA-$α$: Reducing Complexity in Vision-Language-Action Systems [89.12403322299963]
  StarVLA-$は、制御条件下でのVLA設計選択を研究するための単純だが強力なベースラインである。 我々は,アクションモデリング戦略,ロボット固有の事前訓練,インターフェースエンジニアリングなど,いくつかの重要な設計軸を再評価する。 我々の1つのジェネラリストモデルは、公開現実のRoboChallengeベンチマークで$_0.5$を20%上回ります。
  論文  参考訳（メタデータ） (2026-04-13T17:30:01Z)
• CRoSS: A Continual Robotic Simulation Suite for Scalable Reinforcement Learning with High Task Diversity and Realistic Physics Simulation [46.950823663585425]
  継続的な強化学習では、エージェントは以前取得したポリシーを忘れずに一連のタスクから学ぶ必要がある。 本稿では,ガゼボシミュレータで現実的にシミュレーションされたロボットをベースとしたCRLのための新しいベンチマークスイートを提案する。
  論文  参考訳（メタデータ） (2026-02-04T18:54:26Z)
• Isaac Lab: A GPU-Accelerated Simulation Framework for Multi-Modal Robot Learning [72.43357471969564]
  Isaac Labは、高忠実度GPU並列物理、レンダリング、および環境の設計とロボットポリシーのトレーニングのためのモジュラーで構成可能なアーキテクチャを組み合わせる。 我々は、全身制御、クロス・エボディメント・モビリティ、接触豊かで器用な操作、スキル獲得のための人間のデモの統合など、さまざまな課題へのその応用を強調した。 アイザック・ラボの高度なシミュレーション能力、リッチセンシング、データセンターのスケール実行の組み合わせは、ロボット研究における次世代のブレークスルーを解き放つのに役立つと信じています。
  論文  参考訳（メタデータ） (2025-11-06T21:43:02Z)
• JaxRobotarium: Training and Deploying Multi-Robot Policies in 10 Minutes [1.768052197741668]
  マルチエージェント強化学習(MARL)は,マルチロボットシステムにおける複雑でスケーラブルな協調動作を学習するための,有望なソリューションである。 私たちは、Robotarium用のJaxベースのエンドツーエンドシミュレーション、学習、デプロイメント、ベンチマークプラットフォームであるJaxRobotariumにコントリビュートしています。
  論文  参考訳（メタデータ） (2025-05-10T22:38:39Z)
• JaxMARL: Multi-Agent RL Environments and Algorithms in JAX [105.343918678781]
  我々は、GPU対応の効率と多くの一般的なMARL環境のサポートを組み合わせた、最初のオープンソースPythonベースのライブラリであるJaxMARLを紹介します。 我々の実験は、壁時計時間の観点から、JAXベースのトレーニングパイプラインが既存のアプローチの約14倍高速であることを示している。 また、人気の高いStarCraft Multi-Agent ChallengeのJAXベースの近似的な再実装であるSMAXを紹介し、ベンチマークする。
  論文  参考訳（メタデータ） (2023-11-16T18:58:43Z)
• Chakra: Advancing Performance Benchmarking and Co-design using Standardized Execution Traces [5.692357167709513]
  作業負荷仕様を標準化するためのオープングラフスキーマであるChakraを提案する。 例えば、生成AIモデルを使用して、何千ものChakra ETの潜在統計特性を学習し、これらのモデルを使用してChakra ETを合成します。 私たちのゴールは、将来のAIシステムの共同設計を推進するために、業界全体のアジャイルベンチマークとツールの活発なエコシステムを構築することです。
  論文  参考訳（メタデータ） (2023-05-23T20:45:45Z)

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。