論文の概要: Offline Reinforcement Learning for Fluid Controls: Data-based Multi-observational Policy Extraction

• arxiv url: http://arxiv.org/abs/2606.31025v1
• Date: Tue, 30 Jun 2026 01:46:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.037962
• Title: Offline Reinforcement Learning for Fluid Controls: Data-based Multi-observational Policy Extraction
• Title（参考訳）: 流体制御のためのオフライン強化学習:データに基づく多観測ポリシー抽出
• Abstract要約: 本研究では,複数のセンサアレンジメントにシームレスに適応する単一ポリシネットワークを実現するための,センサ位置条件付きアーキテクチャを開発した。 本研究では, クラモト・シヴァシンスキー方程式におけるカオス性の緩和と, ナヴィエ・ストークス方程式が支配する翼上の流れ制御という, 2つの代表的な問題の枠組みを実証する。
• 参考スコア（独自算出の注目度）: 9.85263518243188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active flow control is a fundamental application in engineering. Recent advances in deep reinforcement learning have made progress in this field. However, the classical online RL approaches require extensive real-time interactions with the high fidelity environment, while each sensor configuration change necessitates whole policy retraining. All these factors result in prohibitive computational costs for real-world applications. In this work, we propose a novel offline RL framework that addresses both challenges through data-driven policy extraction. We develop a sensor position-conditioned architecture that enables a single policy network to adapt seamlessly to multiple sensor arrangements. The position-conditioned approach incorporated spatial relationship modeling through Point Attention layers to ensure the generalizability to varying sensor placements. We demonstrate the framework on two representative problems, mitigating chaoticity in the Kuramoto-Sivashinsky equation and flow control over airfoils governed by the Navier-Stokes equation. The result demonstrates that the policy extraction from the dataset provides unprecedented flexibility for sensor placement optimization. This approach represents a significant step towards adaptive, intelligent flow control systems.
• Abstract（参考訳）: アクティブフロー制御は工学における基本的な応用である。 深層強化学習の最近の進歩は、この分野に進歩をもたらした。 しかし、古典的なオンラインRLアプローチでは、高忠実度環境との広範囲なリアルタイムインタラクションが必要であり、各センサ構成の変更はポリシーの再訓練を必要とする。 これらの要因はすべて、現実世界のアプリケーションに対する計算コストの禁止をもたらす。 本研究では,データ駆動型ポリシー抽出による両課題に対処する新しいオフラインRLフレームワークを提案する。 本研究では,複数のセンサアレンジメントにシームレスに適応する単一ポリシネットワークを実現するための,センサ位置条件付きアーキテクチャを開発した。 位置条件付きアプローチは、様々なセンサ配置に対する一般化性を確保するために、ポイントアテンション層を通して空間関係モデリングを取り入れた。 本研究では, クラモト・シヴァシンスキー方程式におけるカオス性の緩和と, ナヴィエ・ストークス方程式が支配する翼上の流れ制御という, 2つの代表的な問題の枠組みを実証する。 その結果、データセットからポリシーを抽出することで、センサ配置最適化に前例のない柔軟性が得られることが示された。 このアプローチは適応的でインテリジェントなフロー制御システムへの重要な一歩である。

関連論文リスト

• Learning to Optimize UAV Path Planning for Data Sensing in Wireless Sensor Networks [15.490344146407798]
  ランドスケープ・アウェア・メタ微分進化(LAMDE)と呼ばれる新しい学習支援計画フレームワークを提案する。 LAMDEは、WSNデータ収集シナリオにおけるテストされた複雑なUAVパス計画タスクにおける最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-09-15T04:51:47Z)
• Bypassing the CSI Bottleneck: MARL-Driven Spatial Control for Reflector Arrays [8.046649921554472]
  本稿では,機械的に調整可能な金属リフレクタアレイを制御するための,完全自律型マルチエージェント強化学習(MARL)フレームワークを提案する。 動的非線形(NLOS)環境における高忠実光線トレーシングシミュレーションは、このマルチエージェントアプローチがユーザモビリティに迅速に適応することを示す。 これらの結果は,MARLによる空間抽象化の有効性を,AIを利用した無線ネットワークへのスケーラブルで実用的な経路として検証した。
  論文  参考訳（メタデータ） (2026-04-06T20:47:50Z)
• Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
  マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。 分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。 本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:39:10Z)
• Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
  強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。 現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。 AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
  論文  参考訳（メタデータ） (2026-01-21T14:13:44Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• Deep Learning Optimization of Two-State Pinching Antennas Systems [48.70043547158868]
  ピンチアンテナ(PA)は、二元活性化状態を通して電磁波の伝搬を動的に制御することができる。 本研究では,ユーザ端末での通信速度を最大化することを目的として,定位PAのサブセットを最適に選択して導波路で活性化する問題について検討する。
  論文  参考訳（メタデータ） (2025-07-08T17:55:54Z)
• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Sensor Fusion [6.963971634605796]
  環境およびバイオメディカル領域における低コストで分散センサーネットワークは、継続的な大規模健康モニタリングを可能にしている。 これらのシステムは、センサーのドリフト、ノイズ、キャリブレーションの不十分に起因する劣化したデータ品質に関する課題に直面していることが多い。 センサフュージョンとキャリブレーションの伝統的な機械学習手法は、広範な機能工学に依存している。 回帰タスクに適した新しいunsupervised domain adapt(UDA)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• Advanced deep-reinforcement-learning methods for flow control: group-invariant and positional-encoding networks improve learning speed and quality [0.7421845364041001]
  本研究は,流路制御のための深部強化学習法(DRL)の進歩である。 グループ不変ネットワークと位置エンコーディングをDRLアーキテクチャに統合することに注力する。 提案手法はRayleigh-B'enard対流のケーススタディを用いて検証した。
  論文  参考訳（メタデータ） (2024-07-25T07:24:41Z)
• Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
  非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。 STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。 複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
  論文  参考訳（メタデータ） (2024-06-19T07:17:04Z)
• Sim-Anchored Learning for On-the-Fly Adaptation [45.123633153460034]
  実世界のデータを持つ微調整シミュレーション訓練されたRLエージェントは、制限されたデータ分布や歪んだデータ分布のために重要な振る舞いを劣化させることが多い。 シミュレーションと現実の両方において政策目標を満たさなければならない多目的最適化問題として、フレーミングライブ適応を提案する。
  論文  参考訳（メタデータ） (2023-01-17T16:16:53Z)
• Let Offline RL Flow: Training Conservative Agents in the Latent Space of Normalizing Flows [58.762959061522736]
  オフライン強化学習は、追加の環境相互作用なしに、事前に記録された、固定されたデータセット上でポリシーをトレーニングすることを目的としている。 我々は、最近、潜在行動空間における学習ポリシーを基礎として、生成モデルの構築に正規化フローの特別な形式を用いる。 提案手法が最近提案したアルゴリズムより優れていることを示すため,様々な移動タスクとナビゲーションタスクについて評価を行った。
  論文  参考訳（メタデータ） (2022-11-20T21:57:10Z)

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。