Newest papers

Simulation Priors for Rapid Adaptation in Model-Based RL for Autonomous Racing

Adrian Remonda, Jiajun Xi, Nicklas Hansen, Marcus Greiff, Thomas Lew, John Talbot, John K. Subosits, Xiaolong Wang · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26757 · cited by 0 works (OpenAlex) · open-access PDF

French

L'apprentissage par renforcement permet d'apprendre des politiques de contrôle de haute performance, mais sa dépendance à une interaction étendue limite le déploiement sur des systèmes physiques où la collecte de données est coûteuse et les échecs sont dangereux. Nous introduisons l'adaptation pré-informée (PIA), un cadre RL basé sur des modèles hors ligne qui utilise des pré-modèles de simulation structurés pour une adaptation rapide. PIA prétrait un modèle mondial sur des trajectoires de simulation hétérogènes à faible et haute fiabilité, puis l'adapte avec une interaction ciblée limitée en utilisant une planification régularisée par incertitude. Au lieu de nécessiter un simulateur précis pour le transfert de

Machine translation (Meta M2M100); the English original follows.

Abstract

Reinforcement learning enables learning high-performance control policies, but its reliance on extensive interaction limits deployment on physical systems where data collection is costly, and failures are unsafe. We introduce Prior-Informed Adaptation (PIA), an offline-to-online model-based RL framework that uses structured simulation priors for rapid adaptation. PIA pretrains a world model on heterogeneous low- and high-fidelity simulated trajectories, then adapts it with limited target-domain interaction using uncertainty-regularized planning. Rather than requiring an accurate simulator for policy transfer, PIA treats simulated trajectories as biased priors whose residual mismatch is corrected during online adaptation. We evaluate PIA in autonomous racing using high-fidelity simulation and on a real full-size autonomous race car. In simulation, PIA adapts faster across track and surface shifts than strong baselines, achieving lower lap times and fewer failures. On hardware, PIA achieves reliable few-shot adaptation with less than one hour of on-vehicle interaction.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Prior probability, Reinforcement learning, Computer science, Adaptation (eye), Artificial intelligence, Software deployment

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange