强化学习研究的九大物理引擎综述
人工智能
2024-08-26 v2 机器学习
多智能体系统
摘要
本文综述了热门的仿真引擎和框架及其在强化学习 (RL) 研究中的应用，旨在为制定用于 RL 仿真物理环境和训练 setup 的工具选择指南。我们根据流行度、功能范围、质量、可用性和 RL 能力，对九个框架 (Brax、Chrono、Gazebo、MuJoCo、ODE、PhysX、PyBullet、Webots 和 Unity) 进行评估。我们概述了在 RL 研究中选择和利用物理引擎的挑战，包括需要详细比较以及对每个框架能力的理解。关键发现表明，MuJoCo 因其性能和灵活性而位居首位，尽管存在可用性挑战。Unity 因其易用性而受到关注，但缺乏可扩展性和仿真保真度。本研究呼吁进一步发展以提高仿真引擎的可用性和性能，并强调在 RL 研究中透明性和可重复性的重要性。本综述为 RL 社区提供了关于仿真引擎选择过程的见解，促进了明智的决策。
引用
@article{arxiv.2407.08590,
title = {A Review of Nine Physics Engines for Reinforcement Learning Research},
author = {Michael Kaup and Cornelius Wolff and Hyerim Hwang and Julius Mayer and Elia Bruni},
journal= {arXiv preprint arXiv:2407.08590},
year = {2024}
}
备注
11 pages, 3 figures