タグ: 強化学習

倒立振子をLQRと強化学習で比べる：学習コストとLQRの遅延の限界 2026/9/2
倒立振子をLQRと強化学習で比べると、LQRは学習なしで1000ステップ立ち続けた。REINFORCEは約4万3千ステップ学習しても535。80msの遅延を足すとLQRも倒れる。MuJoCoでの本稿の小さな実験で、ブラウザでも試せる。
強化学習のsim2realギャップを実測：遅延とドメインランダム化 2026/6/30
強化学習のsim2realギャップは、作動を1ステップ（50ミリ秒）遅らせるだけで現れた。MuJoCoの歩行方策で報酬は1150から26へ。ドメインランダム化は遅延に耐えたが、無摂動時は353に下がった。実機なし・学習シード1本の測定である。