論文の概要: Egocentric Station Holding of Robotic Fish in Unknown Turbulent Background Flow
- arxiv url: http://arxiv.org/abs/2607.24860v1
- Date: Sun, 26 Jul 2026 12:14:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.557673
- Title: Egocentric Station Holding of Robotic Fish in Unknown Turbulent Background Flow
- Title（参考訳）: 未知の背景流れにおけるロボット魚のエゴセントリックステーション保持
- Authors: Xiaozhu Lin, Xu Huang, Hongru Dai, Xiaopei Liu, Junzhi Yu, Yang Wang,
- Abstract要約: 流水中における目標位置と保持基地への接近は,ロボット魚の基本的かつ重要な能力である。
我々は,エゴセントリックなステーションホールディングポリシーの効率的な探索を可能にするSWiFTフレームワークを提案する。
結果として得られたポリシーは、すべてのメトリクスで最先端のメソッドよりも大幅に改善される。
- 参考スコア（独自算出の注目度）: 20.84791318119849
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Approaching a target position and holding station in flowing water is a fundamental and critical capability for robotic fish operating in natural aquatic environments. Despite decades of advances in enhancing swimming efficiency and maneuverability, this capability remains underdeveloped, largely owing to the insufficiently characterized, highly nonlinear fluid-structure interactions inherent to freely swimming robotic fish in flows. To bridge this gap, we propose the SWiFT framework, a Swimming With Flow Toolbox that enables the efficient exploration of an egocentric station-holding policy for a body and/or caudal fin (BCF) robotic fish in unknown and turbulent background flows via reinforcement learning (RL). Our SWiFT integrates a free-swimming flow-tank experimental setup with a highly efficient, physically consistent computational fluid dynamics (CFD)-based simulator and a systematic sim-to-real transfer pipeline. The resulting policy achieves substantial improvements over state-of-the-art methods across all metrics, most notably root-mean-square error (RMSE) of distance. Furthermore, we validated that egocentric feedback alone, without any explicit flow sensing, enables station-holding in unknown turbulent flows, closely mirroring the biological phenomenon of rheotaxis. Accordingly, the success of this egocentric station-holding policy not only advances robotic fish control toward real-world deployment, but also highlights SWiFT's promise as a foundation for tackling complex swimming tasks for underwater robots.
- Abstract（参考訳）: 自然の水環境下でのロボット魚の標的位置と保持場への接近は, 基本的かつ重要な機能である。
水泳の効率と操作性の向上に何十年にもわたって進歩してきたにもかかわらず、この能力は未発達のままであり、その主な原因は、流れの中で自由に泳げるロボット魚に固有の、非常に非線形な流体構造相互作用である。
このギャップを埋めるために、SWiFTフレームワーク(Swimming With Flow Toolbox)を提案する。SWiFTフレームワークは、強化学習(RL)による未知および乱背景流れにおける、身体および/またはカタールフィン(BCF)ロボット魚のエゴセントリックなステーションホールディングポリシーの効率的な探索を可能にする。
我々のSWiFTは、高速で物理的に一貫した計算流体力学(CFD)ベースのシミュレータと、シミュレート・シミュレート・トゥ・リアル・トランスファーパイプラインを組み込んだ、自由スワイミングフロータンク実験装置を統合している。
結果として得られたポリシは、すべてのメトリクス、特に距離のルート平均二乗誤差(RMSE)において、最先端の手法よりも大幅に改善されている。
さらに, 自我中心のフィードバックだけでは, 明示的な流れを感知することなく, 未知の乱流におけるステーションホールディングが可能であり, レオタキシーの生物学的現象をよく反映していることを確認した。
したがって、このエゴセントリックなステーションホールディング政策の成功は、ロボット魚の実際の展開に向けての制御を前進させるだけでなく、水中ロボットのための複雑な水泳タスクに取り組むための基盤としてのSWiFTの約束も強調している。
関連論文リスト
- Reinforcement Learning Enables Autonomous Microrobot Navigation and Intervention in Simulated Blood Capillaries [0.903934726553365]
血液毛細血管ネットワークの物理的基盤シミュレーションを開発した。
我々は、深層強化学習エージェントをケモタキシーでナビゲートするように訓練する。
これらの結果は、複雑な環境下での自律的な微生物的介入戦略を開発するためのフレームワークとしてRLを確立している。
論文 参考訳（メタデータ） (2026-06-23T12:21:18Z) - Three-dimensional hydro-cluttered locomotion by an undulatory robot [4.57174337075644]
ハイドロ・クラッタ」環境では、水は硬く柔軟なクラッタで隔てられ、体と障害物の接触は避けられない。
AquaMILRは、双方向のケーブル駆動アクチュエータ、プログラム可能なボディコンプライアンス、分散深度制御、耐食性囲い、および非係止フィールド操作のためのオンボード電力と電子機器を組み合わせた長手肢レスロボットである。
論文 参考訳（メタデータ） (2026-06-05T02:07:32Z) - Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。
この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。
我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
論文 参考訳（メタデータ） (2026-04-10T16:52:54Z) - 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) - AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。
非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。
提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
論文 参考訳（メタデータ） (2025-04-30T23:55:44Z) - Depth-Constrained ASV Navigation with Deep RL and Limited Sensing [43.785833390490446]
本研究では,深度制約下でのASVナビゲーションのための強化学習フレームワークを提案する。
環境意識を高めるため,GPレグレッションをRLフレームワークに統合する。
我々は,実世界の水環境に対して,訓練された政策が適切に一般化されることを保証する効果的なシミュレート・トゥ・リアル・トランスファーを実証する。
論文 参考訳（メタデータ） (2025-04-25T10:56:56Z) - Evaluating Robustness of Reinforcement Learning Algorithms for Autonomous Shipping [2.9109581496560044]
本稿では,自律型海運シミュレータにおける内陸水路輸送(IWT)のために実装されたベンチマークディープ強化学習(RL)アルゴリズムのロバスト性について検討する。
モデルのないアプローチはシミュレーターで適切なポリシーを達成でき、訓練中に遭遇したことのないポート環境をナビゲートすることに成功した。
論文 参考訳（メタデータ） (2024-11-07T17:55:07Z) - MarineFormer: A Spatio-Temporal Attention Model for USV Navigation in Dynamic Marine Environments [3.669739954510407]
局所流れ場計測を取り入れることによって,問題の性質が根本的に変化し,解決不可能なナビゲーションシナリオがトラクタブルなものに変換されることを示す。
センサ融合のための空間的注意と時間的注意を統合したトランスフォーマーベースのポリシーアーキテクチャであるtextbfMarineFormer を提案する。
論文 参考訳（メタデータ） (2024-10-17T18:57:15Z) - 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) - VAPOR: Legged Robot Navigation in Outdoor Vegetation Using Offline
Reinforcement Learning [53.13393315664145]
本研究では,非構造で密集した屋外環境における自律脚ロボットナビゲーションのための新しい手法であるVAPORを提案する。
本手法は,アクター・クリティカル・ネットワークと実際の屋外植生で収集された任意のデータを用いて,新しいRLポリシーを訓練する。
VAPORの動作は成功率を最大40%向上させ、平均電流消費量を最大2.9%削減し、正規化軌道長を最大11.2%削減する。
論文 参考訳（メタデータ） (2023-09-14T16:21:27Z)
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。