論文の概要: Learning step-level dynamic soaring in shear flow

• arxiv url: http://arxiv.org/abs/2604.12413v1
• Date: Tue, 14 Apr 2026 07:58:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.32482
• Title: Learning step-level dynamic soaring in shear flow
• Title（参考訳）: せん断流れにおけるステップレベルダイナミックソアリングの学習
• Authors: Lunbing Chen, Jixin Lu, Yufei Yin, Jinpeng Huang, Yang Xiang, Hong Liu,
• Abstract要約: 局所センサのみを用いたステップレベルの状態フィードバック制御から動的ソアリングが実現可能であることを示す。 我々は,多種多様なせん断流条件にまたがる全方位航法を実現する政策を得る。
• 参考スコア（独自算出の注目度）: 13.061238725013995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic soaring enables sustained flight by extracting energy from wind shear, yet it is commonly understood as a cycle-level maneuver that assumes stable flow conditions. In realistic unsteady environments, however, such assumptions are often violated, raising the question of whether explicit cycle-level planning is necessary. Here, we show that dynamic soaring can emerge from step-level, state-feedback control using only local sensing, without explicit trajectory planning. Using deep reinforcement learning as a tool, we obtain policies that achieve robust omnidirectional navigation across diverse shear-flow conditions. The learned behavior organizes into a structured control law that coordinates turning and vertical motion, giving rise to a two-phase strategy governed by a trade-off between energy extraction and directional progress. The resulting policy generalizes across varying conditions and reproduces key features observed in biological flight and optimal-control solutions. These findings identify a feedback-based control structure underlying dynamic soaring, demonstrating that efficient energy-harvesting flight can emerge from local interactions with the flow without explicit planning, and providing insights for biological flight and autonomous systems in complex, flow-coupled environments.
• Abstract（参考訳）: 動的ソアリングは風洞からエネルギーを抽出することで持続的な飛行を可能にするが、安定な流れ条件を前提としたサイクルレベルの操縦として一般的に理解されている。 しかし、現実的な非定常環境では、そのような仮定はしばしば違反し、明示的なサイクルレベルの計画が必要であるかどうかという疑問が提起される。 ここでは,局所センサのみを用いたステップレベルの状態フィードバック制御から動的ソアリングを,明示的な軌道計画なしで実現可能であることを示す。 深層強化学習をツールとして用い,多種多様なせん断流条件にまたがる全方位航法を実現するためのポリシーを得る。 学習された行動は、回転と垂直運動を協調する構造的制御則に編成され、エネルギー抽出と方向進行のトレードオフによって支配される2相戦略が生まれる。 結果として得られるポリシーは、様々な条件にまたがって一般化され、生物学的飛行および最適制御ソリューションで観察される重要な特徴を再現する。 これらの結果から, 動的ソアリングの基礎となるフィードバックに基づく制御構造を明らかにし, 効率的な省エネ飛行は, 明示的な計画を立てることなく, 流れとの局所的な相互作用から発生しうることを示すとともに, 複雑な流動結合環境下での生物学的飛行や自律システムに対する洞察を提供する。

関連論文リスト

• F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation [62.06267255986041]
  非同期推論はロボット操作における主要なパラダイムとして現れている。 本稿では,予測対象の流れを利用して将来の観測を合成する新しい枠組みを提案する。 本手法は複雑な動的操作タスクにおける応答性と成功率を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-04-02T17:57:15Z)
• AirHunt: Bridging VLM Semantics and Continuous Planning for Efficient Aerial Object Navigation [13.973823761671673]
  AirHuntは、屋外環境でゼロショットの一般化を伴うオープンセットオブジェクトを効率的に検出する、空中オブジェクトナビゲーションシステムである。 AirHuntは、VLMセマンティック推論とパス計画の相乗的インターフェースを確立する、デュアルパスの非同期アーキテクチャを備えている。 多様なオブジェクトナビゲーションタスクや環境にまたがってAirHuntを評価し,ナビゲーションエラーの低減と飛行時間短縮を図った。
  論文  参考訳（メタデータ） (2026-01-19T05:50:03Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• Controlling Topological Defects in Polar Fluids via Reinforcement Learning [1.523267496998255]
  拘束活性流体中の整数帯電欠陥の閉ループステアリングについて検討した。 本研究では, アクティブストレスの局所的な制御が, 所定の軌道に沿った流れ場を再現し, 直接的欠陥を生じさせることを示す。 結果は、トポロジカルな励起を操作するために、AIエージェントが基礎となる力学と空間的構造的活動を学ぶ方法を強調している。
  論文  参考訳（メタデータ） (2025-07-25T14:12:11Z)
• Situationally-Aware Dynamics Learning [57.698553219660376]
  隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。 提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。 シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
  論文  参考訳（メタデータ） (2025-05-26T06:40:11Z)
• Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
  本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。 トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
  論文  参考訳（メタデータ） (2025-03-10T13:39:09Z)
• TransFlower: An Explainable Transformer-Based Model with Flow-to-Flow Attention for Commuting Flow Prediction [18.232085070775835]
  通勤パターンの予測にフロー・ツー・フロー・アテンションを用いた,説明可能なトランスフォーマーベースのモデルであるTransFlowerを紹介した。 我々のモデルは、既存の手法を最大30.8%のCommon Part of Commutersで上回ります。
  論文  参考訳（メタデータ） (2024-02-23T16:00:04Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Learning Pneumatic Non-Prehensile Manipulation with a Mobile Blower [30.032847855193864]
  管制官は 常に 行動の予期せぬ変化に 適応しなければならない。 本稿では,空間行動マップフレームワークのマルチ周波数バージョンを紹介する。 これにより、高レベルの計画と低レベルのクローズドループ制御を効果的に組み合わせたビジョンベースのポリシーの効率的な学習が可能になる。
  論文  参考訳（メタデータ） (2022-04-05T17:55:58Z)
• Optimizing Airborne Wind Energy with Reinforcement Learning [0.0]
  強化学習(Reinforcement Learning)は、システムの事前の知識を必要とせずに、観察と利益ある行動とを関連付ける技術である。 シミュレーション環境において、強化学習は、遠距離で車両を牽引できるように、カイトを効率的に制御する方法を見出した。
  論文  参考訳（メタデータ） (2022-03-27T10:28:16Z)

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。