論文の概要: Micro-Swarm Locomotion Optimization in Dynamic Flow using Multi-Objective Multi-Agent Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2605.25025v1
- Date: Sun, 24 May 2026 12:04:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.660823
- Title: Micro-Swarm Locomotion Optimization in Dynamic Flow using Multi-Objective Multi-Agent Reinforcement Learning
- Title（参考訳）: 多目的多エージェント強化学習を用いた動的流れのマイクロスワームロコモーション最適化
- Authors: Josef Berman, Oren Gal,
- Abstract要約: 生理的、現実的で、時間に依存した流体環境における微小ロボティックな群れの調整は、未解決の課題である。
本稿では,多目的多エージェント強化学習フレームワークであるComputational Fluid Dynamicsを提案する。
16個の磁気駆動型マイクロロボットが脈動性動脈を走行し、上流の進行、エネルギー保存、動きの滑らかさを同時に最適化する。
- 参考スコア（独自算出の注目度）: 2.0223202343873226
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coordinating micro-robotic swarms in physiologically realistic, time-dependent fluid environments remains an unsolved challenge for biomedical and environmental applications. We present a hybrid Computational Fluid Dynamics - Multi-Objective Multi-Agent Reinforcement Learning framework that directly couples a high-fidelity incompressible Navier-Stokes solver with decentralized proximal policy optimization to learn physically consistent swarm control strategies in oscillatory flow. Sixteen magnetically actuated micro-robots navigate a pulsatile arterial waveform, simultaneously optimizing upstream progression, energy conservation, and motion smoothness, reconciled using PCGrad surgery. Without PCGrad, energy efficiency and smoothness rewards collapse to near zero within 10,000 training steps while progress exhibits persistent large-amplitude oscillations, confirming that gradient conflict resolution is a structural requirement rather than an optional refinement in this domain. The converged policy achieves a progress reward of 6.5-7.0, a sustained energy efficiency of 0.63-0.65, and near-maximum smoothness (0.97-0.99), representing improvements over brute-force baselines on the primary objective while both baselines yield negative energy efficiency throughout. Training reveals three emergent behavioral phases: a collective two-layer hydrodynamic throttling formation that suppresses peak channel velocities during forward flow, a cycle-synchronized ratchet mechanism that exploits flow reversals for upstream repositioning, and an individualized final approach as agents near the success boundary. These results establish that time-dependent fluid-agent interactions can be captured directly within multi-objective reinforcement learning loops, offering a physically grounded paradigm for micro-swarm control in biomedical navigation, environmental monitoring, and industrial microfluidics.
- Abstract（参考訳）: 生理的、現実的で、時間に依存した流体環境における微小ロボティック群集の調整は、バイオメディカルおよび環境応用において未解決の課題である。
本稿では,多目的多目的強化学習フレームワークについて述べる。このフレームワークは,高忠実性非圧縮性Navier-Stokesソルバと分散近似最適化とを直接結合し,振動流における物理的に一貫したスワム制御戦略を学習する。
16個の磁気駆動型マイクロロボットが脈動性動脈波形をナビゲートし、PCGrad手術で調整した上流の進行、エネルギー保存、運動の滑らかさを同時に最適化する。
PCGradがなければ、エネルギー効率と滑らかさの報酬は1万のトレーニングステップでほぼゼロに崩壊し、進行は持続的な大振幅振動を示し、勾配の衝突解決は、この領域の任意の改善ではなく構造的な要求であることを確認した。
収束政策は6.5-7.0、持続エネルギー効率0.63-0.65、最大近く滑らか(0.97-0.99)の進行報酬を達成する。
トレーニングは3つの創発的な行動段階を明らかにする: 前方流中のピーク流路速度を抑える2層流体力学的スロットリング形成、上流再配置の逆流を利用するサイクル同期ラチェット機構、成功境界付近のエージェントとしての個別化最終アプローチ。
これらの結果から,多目的強化学習ループ内での時間依存性流体-エージェント相互作用の直接捕捉が可能であり,バイオメディカルナビゲーション,環境モニタリング,産業マイクロ流体学におけるマイクロスワーム制御の物理的基盤となることが確認された。
関連論文リスト
- Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。
この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。
我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
論文 参考訳（メタデータ） (2026-04-23T07:10:05Z) - Dynamic Modeling and Robust Gait Optimization of a Compliant Worm Robot [6.048766517808481]
本稿では,共振管を走行可能なロボットのモデリングと最適化の枠組みを実験的に検討する。
平均出力を最小化しながら平均速度を最大化する多目的歩行最適化問題を定式化する。
その結果,提案手法はロボットの移動とエネルギー消費の優位性を捉えていることがわかった。
論文 参考訳（メタデータ） (2026-04-13T20:20:03Z) - MIOFlow 2.0: A unified framework for inferring cellular stochastic dynamics from single cell and spatial transcriptomics data [47.97758608694957]
We introduced Interpolating Manifold-Transport Flow (MIOFlow) 2.0。
この枠組みは、多様体学習、最適輸送、神経微分方程式を統合することにより、生物学的に情報を得た細胞軌道を学習する。
合成データセット、胚体分化、空間的に解決されたアクソロトル脳再生で検証される。
論文 参考訳（メタデータ） (2026-03-23T20:49:45Z) - Hebbian Attractor Networks for Robot Locomotion [44.84033948079516]
ヘビアン可塑性は、変化する環境に迅速に適応するための有望な道を提供する。
Hebbian Attractor Networks (HANs) は創発的アトラクタダイナミクスを誘導する。
その結果、低速更新と平均的なシナプス前後の活性化が組み合わさって、安定した重量構成への収束を促進することが示唆された。
論文 参考訳（メタデータ） (2026-03-23T19:20:14Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - FISC: A Fluid-Inspired Framework for Decentralized and Scalable Swarm Control [0.0]
大規模マルチエージェントシステムの外部ループ制御のための分散化手法を提案し,評価を行った。
基礎流体要素特性と個別のロボットエージェント状態の関係を論じる。
流体のような性質をエージェントのサブセットに割り当てることで、Swarmは望ましい構造とコヒーレンスを維持しながら集合的に進化する。
その結果, 第一原理から導かれるマクロ構造を保持する連続系として, 大型ロボット群を扱える可能性が示された。
論文 参考訳（メタデータ） (2026-01-31T03:04:38Z) - CoLA-Flow Policy: Temporally Coherent Imitation Learning via Continuous Latent Action Flow Matching for Robotic Manipulation [4.726851899243877]
LG-Flow Policyは、連続的な潜在アクション空間でフローマッチングを実行する軌道レベルの模倣学習フレームワークである。
動作シーケンスを時間的に規則化された潜在軌道に符号化し、明示的な潜在空間の流れを学習することにより、提案手法は低レベル制御ノイズからグローバルな運動構造を分離する。
論文 参考訳（メタデータ） (2026-01-30T15:36:43Z) - Multi-Scale Temporal Homeostasis Enables Efficient and Robust Neural Networks [0.0]
Multi-Scale Temporal Homeostasis (MSTH)は、超高速(5-ms)、高速(2-s)、中速(5-min)、低速(1-hrs)の制御を人工ネットワークに統合するフレームワークである。
MSTHは、常に精度を向上し、破滅的な失敗を排除し、摂動からの回復を促進する。
論文 参考訳（メタデータ） (2026-01-30T13:33:29Z) - Curly Flow Matching for Learning Non-gradient Field Dynamics [49.480209466896035]
非勾配場力学を学習するための新しいアプローチであるCurly Flow Matching (Curly-FM)を導入する。
Curly-FMは、Schr"odinger Bridge問題の設計と解決によって、非勾配場力学を学習することができる。
Curly-FMは、基準プロセスと人口限界の両方に適合する軌道を学習することができる。
論文 参考訳（メタデータ） (2025-10-30T16:11:39Z) - Nauplius Optimisation for Autonomous Hydrodynamics [0.0]
NOAHは自然に着想を得た新しいSwarm最適化アルゴリズムである。
これは、現在認識されているドリフト、永続的なセンシングノードにおける不可逆的な解決、およびコロニーベースの通信を組み合わせる。
検証研究は 永続的なアンカーシナリオで 86%の成功率を示します
論文 参考訳（メタデータ） (2025-10-17T06:30:19Z) - Learning to Move in Rhythm: Task-Conditioned Motion Policies with Orbital Stability Guarantees [45.137864140049814]
我々は,学習した微分型エンコーダと超臨界ホップ分岐を結合したフレームワークであるOrbitally Stable Motion Primitives (OSMPs)を紹介する。
提案手法は,多種多様なロボットプラットフォームにまたがる広範囲なシミュレーションと実世界の実験によって検証される。
論文 参考訳（メタデータ） (2025-07-12T17:10:03Z)
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。