Meet de Sim-to-Real kloof: Ontwerpen van een betaalbaar benchmarkplatform voor RL in AIoT-systemen

Gepubliceerd 14 July 2026

Onderzoek naar reinforcement learning (RL) in autonome systemen, zoals de Autonomous Internet of Things (AIoT), wordt vaak in simulaties uitgevoerd vanwege de hoge kosten en risico's van real-world experimenten. Dit artikel introduceert een nieuw benchmarkplatform voor AIoT, dat gebruikmaakt van betaalbare componenten en een agent die video games speelt via een hardware-emulated toetsenbord. De resultaten tonen een significante prestatievermindering aan bij simulatie-getrainde agenten in de echte wereld, wat wijst op een grote Sim-to-Real kloof. Directe training in de echte wereld met de deep Q-network (DQN) methode toont aan dat RL haalbaar is onder real-world omstandigheden.