Buchumschlag

Bridging the Sim-to-Real Gap in Reinforcement Learning-Based Industrial Dispatching through Execution Semantics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hoss, Jonathan, Klarmann, Noah
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Production Scheduling Framework for Reinforcement Learning Under Real-World Constraints
von: Hoss, Jonathan, et al.
Veröffentlicht: (2025)

Scalable Production Scheduling: Linear Complexity via Unified Homogeneous Graphs
von: Hoss, Jonathan, et al.
Veröffentlicht: (2026)

An Analysis of the Coordination Gap between Joint and Modular Learning for Job Shop Scheduling with Transportation Resources
von: Link, Moritz, et al.
Veröffentlicht: (2026)

Optimizing Job Shop Scheduling in the Furniture Industry: A Reinforcement Learning Approach Considering Machine Setup, Batch Variability, and Intralogistics
von: Schneevogt, Malte, et al.
Veröffentlicht: (2024)

Bridging the Sim-to-Real Gap for Athletic Loco-Manipulation
von: Fey, Nolan, et al.
Veröffentlicht: (2025)

Learning to Dock: A Simulation-based Study on Closing the Sim2Real Gap in Autonomous Underwater Docking
von: Chang, Kevin, et al.
Veröffentlicht: (2025)

DiAReL: Reinforcement Learning with Disturbance Awareness for Robust Sim2Real Policy Transfer in Robot Control
von: Malmir, Mohammadhossein, et al.
Veröffentlicht: (2023)

SafePowerGraph-HIL: Real-Time HIL Validation of Heterogeneous GNNs for Bridging Sim-to-Real Gap in Power Grids
von: Ma, Aoxiang, et al.
Veröffentlicht: (2025)

Closing the Sim2Real Performance Gap in RL
von: Anand, Akhil S, et al.
Veröffentlicht: (2025)

Bridging the Performance Gap Between Target-Free and Target-Based Reinforcement Learning
von: Vincent, Théo, et al.
Veröffentlicht: (2025)

Offline Reinforcement Learning for Learning to Dispatch for Job Shop Scheduling
von: van Remmerden, Jesse, et al.
Veröffentlicht: (2024)

Dual Action Policy for Robust Sim-to-Real Reinforcement Learning
von: Terence, Ng Wen Zheng, et al.
Veröffentlicht: (2024)

Revealing the Challenges of Sim-to-Real Transfer in Model-Based Reinforcement Learning via Latent Space Modeling
von: Lin, Zhilin, et al.
Veröffentlicht: (2025)

Analysis of Randomization Effects on Sim2Real Transfer in Reinforcement Learning for Robotic Manipulation Tasks
von: Josifovski, Josip, et al.
Veröffentlicht: (2022)

Bridging Dynamics Gaps via Diffusion Schrödinger Bridge for Cross-Domain Reinforcement Learning
von: Zhang, Hanping, et al.
Veröffentlicht: (2026)

Mind the Sim-to-Real Gap & Think Like a Scientist
von: Parikh, Harsh, et al.
Veröffentlicht: (2026)

Bridging Domain Gaps with Target-Aligned Generation for Offline Reinforcement Learning
von: Kim, Minung, et al.
Veröffentlicht: (2026)

An End-to-End Reinforcement Learning Based Approach for Micro-View Order-Dispatching in Ride-Hailing
von: Yue, Xinlang, et al.
Veröffentlicht: (2024)

X-Sim: Cross-Embodiment Learning via Real-to-Sim-to-Real
von: Dan, Prithwish, et al.
Veröffentlicht: (2025)

Maximum Entropy Behavior Exploration for Sim2Real Zero-Shot Reinforcement Learning
von: Hu, Jiajun, et al.
Veröffentlicht: (2026)

GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching
von: Han, Xiao, et al.
Veröffentlicht: (2024)

Bridging the Domain Gap in Equation Distillation with Reinforcement Feedback
von: Ying, Wangyang, et al.
Veröffentlicht: (2025)

Reinforcement Learning with Curriculum-inspired Adaptive Direct Policy Guidance for Truck Dispatching
von: Meng, Shi, et al.
Veröffentlicht: (2025)

VeriDispatcher: Multi-Model Dispatching through Pre-Inference Difficulty Prediction for RTL Generation Optimization
von: Wang, Zeng, et al.
Veröffentlicht: (2025)

Scaling Sim-to-Real Reinforcement Learning for Robot VLAs with Generative 3D Worlds
von: Choi, Andrew, et al.
Veröffentlicht: (2026)

Transferable Reinforcement Learning via Probabilistic Latent Embeddings and Dynamic Policy Adaptation for Sim-to-Real Deployment
von: Han, Gengyue, et al.
Veröffentlicht: (2026)

Less is more -- the Dispatcher/ Executor principle for multi-task Reinforcement Learning
von: Riedmiller, Martin, et al.
Veröffentlicht: (2023)

Multi-agent Reinforcement Learning for Dynamic Dispatching in Material Handling Systems
von: Lee, Xian Yeow, et al.
Veröffentlicht: (2024)

Reconciling Reality through Simulation: A Real-to-Sim-to-Real Approach for Robust Manipulation
von: Torne, Marcel, et al.
Veröffentlicht: (2024)

CORE: Concept-Oriented Reinforcement for Bridging the Definition-Application Gap in Mathematical Reasoning
von: Gao, Zijun, et al.
Veröffentlicht: (2025)

Context-Enhanced Multi-View Trajectory Representation Learning: Bridging the Gap through Self-Supervised Models
von: Qian, Tangwen, et al.
Veröffentlicht: (2024)

Learning Sim-to-Real Humanoid Locomotion in 15 Minutes
von: Seo, Younggyo, et al.
Veröffentlicht: (2025)

The Generalization Gap in Offline Reinforcement Learning
von: Mediratta, Ishita, et al.
Veröffentlicht: (2023)

Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids
von: Lin, Toru, et al.
Veröffentlicht: (2025)

Image-Based Deep Reinforcement Learning with Intrinsically Motivated Stimuli: On the Execution of Complex Robotic Tasks
von: Valencia, David, et al.
Veröffentlicht: (2024)

A Platform-Agnostic Deep Reinforcement Learning Framework for Effective Sim2Real Transfer towards Autonomous Driving
von: Li, Dianzhao, et al.
Veröffentlicht: (2023)

SimBa: Simplicity Bias for Scaling Up Parameters in Deep Reinforcement Learning
von: Lee, Hojoon, et al.
Veröffentlicht: (2024)

OffSim: Offline Simulator for Model-based Offline Inverse Reinforcement Learning
von: Ahn, Woo-Jin, et al.
Veröffentlicht: (2025)

Linear Bellman Completeness Suffices for Efficient Online Reinforcement Learning with Few Actions
von: Golowich, Noah, et al.
Veröffentlicht: (2024)

The Role of Inherent Bellman Error in Offline Reinforcement Learning with Linear Function Approximation
von: Golowich, Noah, et al.
Veröffentlicht: (2024)