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 Subosits, Xiaolong Wang · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26757 · open-access PDF

Vietnamese

Học tập tăng cường cho phép học các chính sách kiểm soát hiệu suất cao, nhưng sự phụ thuộc của nó vào sự tương tác rộng rãi hạn chế việc triển khai trên các hệ thống vật lý nơi thu thập dữ liệu tốn kém và thất bại là không an toàn. Chúng tôi giới thiệu Pre-Informed Adaptation (PIA), một khuôn khổ RL dựa trên mô hình ngoại tuyến đến trực tuyến sử dụng các tiền đề mô phỏng có cấu trúc để thích ứng nhanh chóng. PIA đào tạo trước một mô hình thế giới trên các quỹ đạo mô phỏng có độ tin cậy thấp và cao không đồng nhất, sau đó điều chỉnh nó với sự tương tác với miền mục tiêu hạn chế bằng cách sử dụng lập kế hoạch quy định không chắc chắn.

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

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

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