論文の概要: Energy-Efficient Navigation for Surface Vehicles in Vortical Flow Fields

• arxiv url: http://arxiv.org/abs/2512.06912v1
• Date: Sun, 07 Dec 2025 16:36:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.582911
• Title: Energy-Efficient Navigation for Surface Vehicles in Vortical Flow Fields
• Title（参考訳）: 渦流場における表面車両のエネルギー効率の高い航法
• Authors: Rushiraj Gadhvi, Sandeep Manjanna,
• Abstract要約: カラシは海流を巧みに利用し 最小限の努力で 広大な海を航行した 渦流場におけるエネルギー効率の高い表面車両ナビゲーションのための学習に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.497481482212619
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: For centuries, khalasi have skillfully harnessed ocean currents to navigate vast waters with minimal effort. Emulating this intuition in autonomous systems remains a significant challenge, particularly for Autonomous Surface Vehicles tasked with long duration missions under strict energy budgets. In this work, we present a learning-based approach for energy-efficient surface vehicle navigation in vortical flow fields, where partial observability often undermines traditional path-planning methods. We present an end to end reinforcement learning framework based on Soft Actor Critic that learns flow-aware navigation policies using only local velocity measurements. Through extensive evaluation across diverse and dynamically rich scenarios, our method demonstrates substantial energy savings and robust generalization to previously unseen flow conditions, offering a promising path toward long term autonomy in ocean environments. The navigation paths generated by our proposed approach show an improvement in energy conservation 30 to 50 percent compared to the existing state of the art techniques.
• Abstract（参考訳）: 何世紀にもわたって、カラシは海流を巧みに利用して、最小限の努力で広大な海を航行してきた。 自律システムにおけるこの直感をエミュレートすることは、特に厳格なエネルギー予算の下で長期間の任務をこなす自律表面車両にとって、依然として重要な課題である。 本研究では, 従来の経路計画手法を損なうことの多い, 渦流場におけるエネルギー効率の高い表面車両航法に関する学習的アプローチを提案する。 本稿では,局所速度測定のみを用いてフロー認識ナビゲーションポリシーを学習するソフトアクタ批判に基づくエンドツーエンド強化学習フレームワークを提案する。 多様な, 動的にリッチなシナリオにまたがって広範な評価を行うことで, 海洋環境における長期的自律性への道のりとして, 大幅な省エネと, 従来見られなかった流れ条件への堅牢な一般化を実証する。 提案手法により得られた航法経路は,従来の最先端技術と比較して30～50%の省エネルギー性向上を示す。

関連論文リスト

• Depth-Constrained ASV Navigation with Deep RL and Limited Sensing [43.785833390490446]
  本研究では,深度制約下でのASVナビゲーションのための強化学習フレームワークを提案する。 環境意識を高めるため,GPレグレッションをRLフレームワークに統合する。 我々は,実世界の水環境に対して,訓練された政策が適切に一般化されることを保証する効果的なシミュレート・トゥ・リアル・トランスファーを実証する。
  論文  参考訳（メタデータ） (2025-04-25T10:56:56Z)
• MarineFormer: A Spatio-Temporal Attention Model for USV Navigation in Dynamic Marine Environments [3.669739954510407]
  局所流れ場計測を取り入れることによって,問題の性質が根本的に変化し,解決不可能なナビゲーションシナリオがトラクタブルなものに変換されることを示す。 センサ融合のための空間的注意と時間的注意を統合したトランスフォーマーベースのポリシーアーキテクチャであるtextbfMarineFormer を提案する。
  論文  参考訳（メタデータ） (2024-10-17T18:57:15Z)
• Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
  ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。 具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。 実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-05-30T23:20:23Z)
• Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
  強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。 現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。 本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• ETPNav: Evolving Topological Planning for Vision-Language Navigation in Continuous Environments [56.194988818341976]
  視覚言語ナビゲーションは、エージェントが環境中をナビゲートするための指示に従う必要があるタスクである。 本研究では,1)環境を抽象化し,長距離航法計画を生成する能力,2)連続環境における障害物回避制御能力の2つの重要なスキルに焦点を当てたETPNavを提案する。 ETPNavは、R2R-CEとRxR-CEデータセットの先行技術よりも10%以上、20%改善されている。
  論文  参考訳（メタデータ） (2023-04-06T13:07:17Z)
• Long-HOT: A Modular Hierarchical Approach for Long-Horizon Object Transport [83.06265788137443]
  我々は、時間的拡張ナビゲーションのための新しいオブジェクトトランスポートタスクと新しいモジュラーフレームワークを提案することで、長距離探査と航法を具現化する上で重要な課題に対処する。 私たちの最初の貢献は、深層探査と長期計画に焦点を当てた新しいLong-HOT環境の設計である。 重み付けされたフロンティアの助けを借りて探索を行うために,シーンのトポロジカルグラフを構築するモジュラー階層輸送ポリシー(HTP)を提案する。
  論文  参考訳（メタデータ） (2022-10-28T05:30:49Z)
• Learning Efficient Navigation in Vortical Flow Fields [6.585044528359311]
  非定常2次元流れ場を介して固定速度スイマーを操るために,新しい強化学習アルゴリズムを適用した。 このアルゴリズムは、環境の手がかりを深層ニューラルネットワークに入力し、スイマーの行動を決定する。 速度センシングアプローチは、バイオミメティック渦センシングアプローチをほぼ2倍の成功率で上回った。
  論文  参考訳（メタデータ） (2021-02-21T07:25:03Z)

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。