論文の概要: A Deep Reinforcement Learning Framework for Closed-loop Guidance of Fish Schools via Virtual Agents

• arxiv url: http://arxiv.org/abs/2603.28200v1
• Date: Mon, 30 Mar 2026 09:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.317455
• Title: A Deep Reinforcement Learning Framework for Closed-loop Guidance of Fish Schools via Virtual Agents
• Title（参考訳）: 仮想エージェントによる魚学校の閉ループ指導のための深層強化学習フレームワーク
• Authors: Takato Shibayama, Hiroaki Kawashima,
• Abstract要約: 仮想エージェントを用いた魚学校の閉ループ指導のための深層強化学習フレームワークを提案する。 これらのエージェントは、シミュレーションにおいてPPO(Proximal Policy Optimization)を介して訓練されたポリシーによって制御され、ラムマイノイズテトラ(Petitella bleheri)を用いた物理実験に展開される。 生活者の行動に対処するため, 指向性指導と社会的結束のバランスをとるために, 複合報酬関数を設計する。
• 参考スコア（独自算出の注目度）: 2.5782420501870296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Guiding collective motion in biological groups is a fundamental challenge in understanding social interaction rules and developing automated systems for animal management. In this study, we propose a deep reinforcement learning (RL) framework for the closed-loop guidance of fish schools using virtual agents. These agents are controlled by policies trained via Proximal Policy Optimization (PPO) in simulation and deployed in physical experiments with rummy-nose tetras (Petitella bleheri), enabling real-time interaction between artificial agents and live individuals. To cope with the stochastic behavior of live individuals, we design a composite reward function to balance directional guidance with social cohesion. Our systematic evaluation of visual parameters shows that a white background and larger stimulus sizes maximize guidance efficacy in physical trials. Furthermore, evaluation across group sizes revealed that while the system demonstrates effective guidance for groups of five individuals, this capability markedly degrades as group size increases to eight. This study highlights the potential of deep RL for automated guidance of biological collectives and identifies challenges in maintaining artificial influence in larger groups.
• Abstract（参考訳）: 生物集団における集団運動の指導は、社会的相互作用のルールを理解し、動物管理のための自動システムを開発する上での根本的な課題である。 本研究では,仮想エージェントを用いた魚学校の閉ループ指導のための深層強化学習(RL)フレームワークを提案する。 これらのエージェントは、シミュレーションにおいてPPO(Proximal Policy Optimization)によって訓練されたポリシーによって制御され、ラムマイノイズテトラ(Petitella bleheri)を用いた物理的実験に展開され、人工エージェントと生きた個体とのリアルタイムの相互作用を可能にする。 生活者の確率的行動に対処するため,社会結束と方向指示のバランスをとるための複合報酬関数を設計する。 視覚パラメータの系統的評価は,白背景とより大きな刺激サイズが身体的治験における指導効果を最大化することを示している。 さらに, グループサイズによる評価の結果, グループサイズが8に増加するにつれて, 5人のグループに対して効果的なガイダンスが示される一方で, グループサイズが著しく低下することが明らかとなった。 本研究は,生物集団の自動指導における深部RLの可能性を強調し,大規模集団における人工的影響を維持する上での課題を明らかにする。

関連論文リスト

• CoMAS: Co-Evolving Multi-Agent Systems via Interaction Rewards [80.78748457530718]
  自己進化(Self-evolution)は、大規模言語モデル(LLM)ベースのエージェントが事前トレーニング後の能力を継続的に改善できるようにする上で、中心的な研究トピックである。 エージェントがエージェント間相互作用から学習することで自律的に改善できる新しいフレームワークであるCo-Evolving Multi-Agent Systems (CoMAS)を紹介する。
  論文  参考訳（メタデータ） (2025-10-09T17:50:26Z)
• From Pheromones to Policies: Reinforcement Learning for Engineered Biological Swarms [0.0]
  本研究では, フェロモンを介するセロモン凝集と強化学習(RL)の理論的等価性を確立する。 我々は,フェロモンが数学的に相互学習の更新を反映していることを示し,捕食作業を行う線虫群をモデル化した。 この結果から, 環境信号が外部メモリとして機能する分散RLプロセスは, スティグマイシン系が本質的にコード化されていることが示唆された。
  論文  参考訳（メタデータ） (2025-09-24T13:16:35Z)
• 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)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Robot Fleet Learning via Policy Merging [58.5086287737653]
  我々はFLEET-MERGEを提案し、艦隊設定における政策を効率的にマージする。 本稿では,FLEET-MERGEがメタワールド環境における50のタスクで訓練されたポリシーの行動を統合することを示す。 合成・接触に富んだロボット操作タスクにおけるフリートポリシー学習のための新しいロボットツール用ベンチマークであるFLEET-TOOLSを導入する。
  論文  参考訳（メタデータ） (2023-10-02T17:23:51Z)
• SAR: Generalization of Physiological Agility and Dexterity via Synergistic Action Representation [10.349135207285464]
  筋シナジーによるモジュラー制御は、生物がシンプルで一般化可能な行動空間で筋肉制御を学習することを可能にすることを示す。 より単純なタスクから獲得したSAR(Synergistic Action Representation)が、より複雑なタスクを学習するのに役立つ範囲を決定するためのテストベッドとして、生理学的に正確な人手と足のモデルを用いている。 いずれの場合も,SAR公開政策がエンドツーエンドの強化学習を著しく上回っていることが判明した。
  論文  参考訳（メタデータ） (2023-07-07T17:07:41Z)
• Discovering Individual Rewards in Collective Behavior through Inverse Multi-Agent Reinforcement Learning [3.4437947384641032]
  政外逆マルチエージェント強化学習アルゴリズム(IMARL)を導入する。 実演を活用することで,アルゴリズムは報酬関数を自動的に発見し,エージェントの効果的なポリシーを学習する。 提案するIMARLアルゴリズムは, 構成成分の観点から, 集合力学を理解するための重要なステップである。
  論文  参考訳（メタデータ） (2023-05-17T20:07:30Z)
• Predicting the long-term collective behaviour of fish pairs with deep learning [52.83927369492564]
  本研究では,魚種Hemigrammus rhodostomusの社会的相互作用を評価するための深層学習モデルを提案する。 我々は、ディープラーニングのアプローチの結果と実験結果と、最先端の分析モデルの結果を比較した。 機械学習モデルにより、ソーシャルインタラクションは、微妙な実験的観測可能な解析的相互作用と直接競合できることを実証する。
  論文  参考訳（メタデータ） (2023-02-14T05:25:03Z)
• Embodied Synaptic Plasticity with Online Reinforcement learning [5.6006805285925445]
  本稿では,これら2つの分野からオープンソースソフトウェアコンポーネントを統合することにより,計算神経科学とロボティクスの分野を連携させることに寄与する。 本稿では, オンライン強化学習(SPORE)によるシナプス塑性評価の枠組みについて述べる。
  論文  参考訳（メタデータ） (2020-03-03T10:29:02Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)

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。