인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
This study addresses the critical challenge of Sim-to-Real transfer in reinforcement learning by analyzing the performance gap between two widely used simulators, Gazebo and Isaac Sim. We first demonstrate that a standard TD3 (Twin Delayed Deep Deterministic Policy Gradient) agent, while effective for a mobile robot navigation task in the physics-focused Gazebo environment, fails to converge in the more visually and physically complex Isaac Sim environment. To bridge this performance gap, we propose a two-fold optimization strategy for Isaac Sim: first, a fine-tuned reward function to provide denser learning signals, and second an enhanced state representation pipeline that uses voxelization and a convolutional block attention module (CBAM) to efficiently extract salient features from high-dimensional 3D LiDAR data. Experimental results validate our approach, demonstrating that fine-tuning the reward function improves the mission success rate by 24%, while the subsequent integration of the CBAM-based feature extractor contributes an additional 13% improvement. This research empirically proves that environment-specific optimizations are crucial for high-fidelity simulators and provides a structured methodology for adapting RL agents to these complex settings, offering valuable insights for robust Sim-to-Real transfer.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-094554091
