論文の概要: Decentralised self-organisation of pivoting cube ensembles using geometric deep learning

• arxiv url: http://arxiv.org/abs/2509.03140v1
• Date: Wed, 03 Sep 2025 08:50:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.467419
• Title: Decentralised self-organisation of pivoting cube ensembles using geometric deep learning
• Title（参考訳）: 幾何学的深層学習を用いた回転立方体アンサンブルの分散自己組織化
• Authors: Nadezhda Dobreva, Emmanuel Blazquez, Jai Grover, Dario Izzo, Yuzhen Qin, Dominik Dold,
• Abstract要約: 等質な四角形モジュラーロボットを2次元で自動再構成するモデルを提案する。 アンサンブルの各キューブは、ニューラルネットワークによって制御され、その近隣の他のキューブからしか情報を得ることができない。 最もローカライズされたバージョンでさえ、ターゲットの形状に再構成することに成功しています。
• 参考スコア（独自算出の注目度）: 3.7696865934625365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a decentralized model for autonomous reconfiguration of homogeneous pivoting cube modular robots in two dimensions. Each cube in the ensemble is controlled by a neural network that only gains information from other cubes in its local neighborhood, trained using reinforcement learning. Furthermore, using geometric deep learning, we include the grid symmetries of the cube ensemble in the neural network architecture. We find that even the most localized versions succeed in reconfiguring to the target shape, although reconfiguration happens faster the more information about the whole ensemble is available to individual cubes. Near-optimal reconfiguration is achieved with only nearest neighbor interactions by using multiple information passing between cubes, allowing them to accumulate more global information about the ensemble. Compared to standard neural network architectures, using geometric deep learning approaches provided only minor benefits. Overall, we successfully demonstrate mostly local control of a modular self-assembling system, which is transferable to other space-relevant systems with different action spaces, such as sliding cube modular robots and CubeSat swarms.
• Abstract（参考訳）: 均質な四角形モジュラーロボットを2次元で自律的に再構成するための分散モデルを提案する。 アンサンブルの各キューブはニューラルネットワークによって制御され、強化学習を用いて訓練された、近隣の他のキューブからの情報のみを取得する。 さらに、幾何学的深層学習を用いて、ニューラルネットワークアーキテクチャにおける立方体アンサンブルの格子対称性を含む。 最も局所化されたバージョンでさえ、ターゲットの形状に再構成することに成功したが、再構成はより高速に行われ、アンサンブル全体の情報が個々のキューブで利用可能になる。 近接最適再構成は、立方体間の複数の情報伝達を利用して、近隣の相互作用のみを用いて達成され、アンサンブルに関するよりグローバルな情報を蓄積することができる。 標準的なニューラルネットワークアーキテクチャと比較して、幾何学的なディープラーニングアプローチを使用することで、小さなメリットしか得られなかった。 全体としては,立方体ロボットやCubeSatスワムなど,異なる動作空間を持つ他の空間関連システムに転送可能なモジュール型自己組み立てシステムの局所的な制御が成功している。

関連論文リスト

• Universal Neural Functionals [67.80283995795985]
  多くの現代の機械学習タスクでは、ウェイトスペース機能を処理することが難しい問題である。 最近の研究は、単純なフィードフォワードネットワークの置換対称性に同値な有望な重み空間モデルを開発した。 本研究は,任意の重み空間に対する置換同変モデルを自動的に構築するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-07T20:12:27Z)
• DNArch: Learning Convolutional Neural Architectures by Backpropagation [19.399535453449488]
  我々は,畳み込みニューラルネットワーク(CNN)の重みと構造をバックプロパゲーションによって共同で学習する手法であるDNArchを提案する。 特に、DNArchでは、(i)各層における畳み込みカーネルのサイズ、(ii)各層におけるチャネルの数、(iii)ダウンサンプリングレイヤの位置と値、(iv)ネットワークの深さを学習することができる。
  論文  参考訳（メタデータ） (2023-02-10T17:56:49Z)
• The Separation Capacity of Random Neural Networks [78.25060223808936]
  標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。 我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
  論文  参考訳（メタデータ） (2021-07-31T10:25:26Z)
• Neural Marching Cubes [14.314650721573743]
  我々は、離散化された暗黙の場から三角形メッシュを抽出するデータ駆動型アプローチであるNeural Marching Cubes (NMC)を紹介する。 我々のネットワークは、限られたフィールドで局所的な特徴を学習し、新しい形状や新しいデータセットによく適応することを示す。
  論文  参考訳（メタデータ） (2021-06-21T17:18:52Z)
• Unsupervised Learning for Cuboid Shape Abstraction via Joint Segmentation from Point Clouds [8.156355030558172]
  複雑な3Dオブジェクトを、形状抽象化として知られる単純な幾何学的原始体として表現することは、幾何学的モデリング、構造解析、形状合成において重要である。 本研究では、点雲をコンパクトな立方体表現にマッピングするための教師なし形状抽象化法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:15:16Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)

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。