論文の概要: Flocking behavior for dynamic and complex swarm structures
- arxiv url: http://arxiv.org/abs/2601.21772v1
- Date: Thu, 29 Jan 2026 14:22:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.01255
- Title: Flocking behavior for dynamic and complex swarm structures
- Title（参考訳）: 動的および複雑な群れ構造に対する群れ挙動
- Authors: Carmen D. R. Pita-Romero, Pedro Arias-Perez, Miguel Fernandez-Cortizas, Rafael Perez-Segui, Pascual Campoy,
- Abstract要約: 本研究は,仮想セントロイドの概念に基づいて,UAVのフラッキング動作を実装するアルゴリズムを提案する。
このアプローチは古典的な仮想的行動に基づいており、エージェントの数と構造の形成の両方を動的に制御する拡張を組み込む理論的枠組みを提供する。
- 参考スコア（独自算出の注目度）: 0.30786914102688595
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Maintaining the formation of complex structures with multiple UAVs and achieving complex trajectories remains a major challenge. This work presents an algorithm for implementing the flocking behavior of UAVs based on the concept of Virtual Centroid to easily develop a structure for the flock. The approach builds on the classical virtual-based behavior, providing a theoretical framework for incorporating enhancements to dynamically control both the number of agents and the formation of the structure. Simulation tests and real-world experiments were conducted, demonstrating its simplicity even with complex formations and complex trajectories.
- Abstract（参考訳）: 複数のUAVを持つ複雑な構造の維持と複雑な軌道の達成は、依然として大きな課題である。
本研究は,仮想セントロイドの概念に基づいて,UAVの群れ動作を実装するアルゴリズムを提案し,群れの構造を容易に開発する。
このアプローチは古典的な仮想的行動に基づいており、エージェントの数と構造の形成の両方を動的に制御する拡張を組み込む理論的枠組みを提供する。
シミュレーション実験と実世界の実験を行い、複雑な形成や複雑な軌道でさえその単純さを実証した。
関連論文リスト
- Rethinking the Role of Dynamic Sparse Training for Scalable Deep Reinforcement Learning [58.533203990515034]
ニューラルネットワークのスケーリングは機械学習における画期的な進歩をもたらしたが、このパラダイムは深層強化学習(DRL)では失敗している。
我々は、動的スパーストレーニング戦略が、アーキテクチャの改善によって確立された主要なスケーラビリティ基盤を補完するモジュール固有の利点を提供することを示す。
アーキテクチャ改善の利点を生かした実践的なフレームワークであるModule-Specific Training (MST) にこれらの知見を精査し、アルゴリズムの修正なしに様々なRLアルゴリズムをまたいだ大幅なスケーラビリティ向上を示す。
論文 参考訳（メタデータ） (2025-10-14T03:03:08Z) - VisionLaw: Inferring Interpretable Intrinsic Dynamics from Visual Observations via Bilevel Optimization [3.131272328696594]
VisionLawは、視覚的な観察から固有の力学の解釈可能な表現を推論する二段階最適化フレームワークである。
既存の最先端手法を著しく上回り、新しいシナリオにおける対話型シミュレーションの強力な一般化を示す。
論文 参考訳（メタデータ） (2025-08-19T12:52:16Z) - Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。
LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。
クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2025-05-26T07:02:17Z) - Swing-by Dynamics in Concept Learning and Compositional Generalization [41.84127616263314]
本稿では,モデルが学習し,構造的に整理されたセントロイドとガウス混合体上でのアイデンティティマッピングを学習するSIMタスクを提案する。
我々は、このSIMタスクでトレーニングされたニューラルネットワークの学習力学を数学的に解析し、その単純さにもかかわらず、SIMの学習力学が重要な経験的観察を捉え、説明するのに役立っていることを示す。
私たちの理論はまた、トレーニングの初期段階におけるテスト損失の非単調学習ダイナミクスの新しいメカニズムを見つけるなど、いくつかの新しい洞察を提供する。
論文 参考訳（メタデータ） (2024-10-10T18:58:29Z) - Parrot Mind: Towards Explaining the Complex Task Reasoning of Pretrained Large Language Models with Template-Content Structure [66.33623392497599]
テンプレート・コンテント構造(T-C構造)と呼ばれる構造は指数レベルから線形レベルへの可能な空間を減少させることができることを示す。
モデルがタスク構成を達成でき、線形から対数への学習に必要なスペースをさらに削減できることを実証する。
論文 参考訳（メタデータ） (2023-10-09T06:57:45Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳（メタデータ） (2023-01-23T15:18:54Z) - Exploring Complex Dynamical Systems via Nonconvex Optimization [0.0]
我々は、機械学習のツールを用いた代替の最適化駆動アプローチを提案する。
本稿では, 複雑な化学反応ネットワークを組み込んだ, 完全最適化可能な反応拡散モデルに適用する。
これにより、パターン形成、散逸を最大化する非平衡状態、複製のような動的構造を含む、新しい状態と振舞いを体系的に同定することができる。
論文 参考訳（メタデータ） (2023-01-03T01:35:39Z)
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。