强化学习算法大规模流体控制的即插即用基准测试
机器学习
2026-05-28 v2
摘要
强化学习 (RL) 在主动流体控制 (AFC) 中取得了有前景的成果，但该领域的进展仍难以评估，因为现有研究依赖异构的观察和控制方案、数值设置和评估协议。现有的 AFC 基准测试试图解决这些问题，但严重依赖外部计算流体动力学 (CFD) 求解器，难以完全微分，且提供有限的 3D 和多智能体支持。为克服这些限制，我们引入了 FluidGym——首个针对 AFC 中 RL 的独立、全可微分基准套件。FluidGym 完全基于 PyTorch 实现，基于 GPU 加速的 PICT 求解器，运行在单一的 Python 堆栈中，无需外部 CFD 软件，并提供标准化的评估协议。我们展示了使用 PPO、SAC、DPC 和 TD-MPC 的基线结果，并将所有环境、数据集和训练好的模型作为公共资源发布。FluidGym 使控制方法的系统性比较成为可能，为基于学习的流体控制建立可扩展的基础，地址为 github.com/safe-autonomous-systems/fluidgym。
引用
@article{arxiv.2601.15015,
title = {Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control},
author = {Jannis Becktepe and Aleksandra Franz and Nils Thuerey and Sebastian Peitz},
journal= {arXiv preprint arXiv:2601.15015},
year = {2026}
}
备注
Accepted to ICML 2026. Code available at https://github.com/safe-autonomous-systems/fluidgym