論文の概要: Learning to swim in potential flow

• arxiv url: http://arxiv.org/abs/2009.14280v2
• Date: Mon, 7 Dec 2020 23:59:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 00:28:25.139661
• Title: Learning to swim in potential flow
• Title（参考訳）: 潜在的流れで泳ぐことを学ぶ
• Authors: Yusheng Jiao, Feng Ling, Sina Heydari, Nicolas Heess, Josh Merel and Eva Kanso
• Abstract要約: 本研究では,潜在的流れ環境下での3リンク魚泳の簡単なモデルを提案する。 2つの水泳課題に対して最適な形状変化が得られます。 魚は漂流そのものを直接制御していないが、適度な漂流の存在を生かして目標に達する。
• 参考スコア（独自算出の注目度）: 17.146927368452598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fish swim by undulating their bodies. These propulsive motions require coordinated shape changes of a body that interacts with its fluid environment, but the specific shape coordination that leads to robust turning and swimming motions remains unclear. To address the problem of underwater motion planning, we propose a simple model of a three-link fish swimming in a potential flow environment and we use model-free reinforcement learning for shape control. We arrive at optimal shape changes for two swimming tasks: swimming in a desired direction and swimming towards a known target. This fish model belongs to a class of problems in geometric mechanics, known as driftless dynamical systems, which allow us to analyze the swimming behavior in terms of geometric phases over the shape space of the fish. These geometric methods are less intuitive in the presence of drift. Here, we use the shape space analysis as a tool for assessing, visualizing, and interpreting the control policies obtained via reinforcement learning in the absence of drift. We then examine the robustness of these policies to drift-related perturbations. Although the fish has no direct control over the drift itself, it learns to take advantage of the presence of moderate drift to reach its target.
• Abstract（参考訳）: 魚は体をゆるめて泳ぐ。 これらの脈動運動は、流体環境と相互作用する物体の形状変化を必要とするが、ロバストな回転と水泳運動をもたらす特定の形状のコーディネーションはいまだに不明である。 水中運動計画の問題に対処するため,水流環境下で泳ぐ3本鎖魚の簡易モデルを提案し,形状制御にはモデルフリーの強化学習を用いる。 我々は、2つの水泳課題において最適な形状変化に到達し、望ましい方向に泳ぎ、既知の目標に向かって泳ぐ。 この魚のモデルは、ドリフトレス力学として知られる幾何学力学の一連の問題に属しており、魚の形状空間上の幾何学的位相で水泳の挙動を分析することができる。 これらの幾何学的手法はドリフトの存在下では直感的ではない。 ここでは,ドリフトのない強化学習によって得られる制御方針の評価,可視化,解釈を行うツールとして形状空間解析を用いる。 次に、ドリフト関連摂動に対するこれらの政策の堅牢性を検討する。 魚は漂流自体を直接制御することができないが、適度な漂流の存在を生かして目標に到達することを学ぶ。

関連論文リスト

• Deep reinforcement learning for tracking a moving target in jellyfish-like swimming [16.727471388063893]
  本研究では,ゼリーフィッシュのようなスイマーを訓練し,運動目標を二次元の流れで追跡する深層強化学習法を開発した。 深層Qネットワーク(DQN)を用いて,スイマーの幾何と動的パラメータを入力とし,スイマーに適用される力である動作を出力する。
  論文  参考訳（メタデータ） (2024-09-13T13:29:46Z)
• CLOAF: CoLlisiOn-Aware Human Flow [90.21089550719488]
  CLOAFは、通常の微分方程式の微分同相性を利用して、身体の自己切断を除去する。 CLOAFは、異なるため、ポーズを微調整したり、全体のパフォーマンスを改善するために、ベースラインを形づくることができる。
  論文  参考訳（メタデータ） (2024-03-14T02:38:09Z)
• Learning Inverse Kinodynamics for Autonomous Vehicle Drifting [0.0]
  我々は、小型自動運転車のキノダイナミックモデルを学び、それが運動計画、特に自律ドリフトに与える影響を観察する。 提案手法は,高速循環航法のためのキノダイナミックモデルを学ぶことができ,緩やかなドリフトに対して実行された曲率を補正することにより,自律的なドリフトの障害物を高速で回避することができる。
  論文  参考訳（メタデータ） (2024-02-22T19:24:56Z)
• Learning to Transfer In-Hand Manipulations Using a Greedy Shape Curriculum [79.6027464700869]
  本研究では, 動的シミュレーションにおける簡易物体の自然な, 頑健な手動操作が, 高品質なモーションキャプチャの例から学習可能であることを示す。 本稿では,ティーポット,バニー,ボトル,トレイン,ゾウなど,さまざまな対象に適用可能な,単純なグリージーなカリキュラム検索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-14T17:08:19Z)
• Learning to swim efficiently in a nonuniform flow field [0.0]
  マイクロスウィマーは、機械的キューを感知することで、周囲の流体に関する情報を取得することができる。 本研究では,スイマーを訓練して特定の水泳課題を遂行するために,局所的および非局所的情報をいかに活用できるかを検討する。
  論文  参考訳（メタデータ） (2022-12-22T04:51:47Z)
• DeepMLS: Geometry-Aware Control Point Deformation [76.51312491336343]
  本稿では,空間に基づく変形技術であるDeepMLSを紹介する。 ニューラルネットワークの力を利用して、下層の形状を変形パラメータに注入する。 本手法は直感的に滑らかな変形をしやすくし, 製造物に適している。
  論文  参考訳（メタデータ） (2022-01-05T23:55:34Z)
• Learning swimming escape patterns under energy constraints [6.014777261874645]
  流れシミュレーションは、天然の幼生スイマーで観察されたものと一致する脱出パターンを特定した。 エネルギー制約下でスイマー脱出パターンを発見するために強化学習を展開する。
  論文  参考訳（メタデータ） (2021-05-03T11:58:37Z)
• Self-Supervised Learning of Non-Rigid Residual Flow and Ego-Motion [63.18340058854517]
  動的3次元シーンに対する非剛性残留流とエゴ運動流の連成推定によるエンドツーエンドのシーンフロー学習法を提案する。 我々は、点クラウドシーケンスの時間的一貫性性に基づいて、自己監督的な信号で教師付きフレームワークを拡張した。
  論文  参考訳（メタデータ） (2020-09-22T11:39:19Z)
• Contact and Human Dynamics from Monocular Video [73.47466545178396]
  既存のディープモデルは、ほぼ正確に見えるエラーを含むビデオから2Dと3Dキネマティックのポーズを予測する。 本稿では,最初の2次元と3次元のポーズ推定を入力として,映像系列から3次元の人間の動きを推定する物理に基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-07-22T21:09:11Z)
• Domain Adaptive Adversarial Learning Based on Physics Model Feedback for Underwater Image Enhancement [10.143025577499039]
  物理モデルに基づくフィードバック制御と,水中画像の高機能化のための領域適応機構を用いた,新しい頑健な対角学習フレームワークを提案する。 水中画像形成モデルを用いてRGB-Dデータから水中訓練データセットをシミュレーションする新しい手法を提案する。 合成および実水中画像の最終的な改良結果は,提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2020-02-20T07:50:00Z)
• Predicting the Physical Dynamics of Unseen 3D Objects [65.49291702488436]
  インパルス力を受ける平面上での3次元物体の動的挙動の予測に焦点をあてる。 我々の手法は、訓練中に目に見えない物体の形状や初期条件に一般化することができる。 我々のモデルは物理エンジンと実世界の両方のデータによるトレーニングをサポートすることができる。
  論文  参考訳（メタデータ） (2020-01-16T06:27:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。