論文の概要: Planning as Dynamics Relaxation: Hippocampal Recurrent Network Realizes Optimal Goal-Directed Navigation
- arxiv url: http://arxiv.org/abs/2609.13219v1
- Date: Sun, 30 Aug 2026 16:48:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.523613
- Title: Planning as Dynamics Relaxation: Hippocampal Recurrent Network Realizes Optimal Goal-Directed Navigation
- Title（参考訳）: 動的緩和としてのプランニング:最適なゴール指向ナビゲーションを実現する海馬リカレントネットワーク
- Abstract要約: 適切なリカレント接続を持つ海馬ネットワークは、最適な目標指向ナビゲーションを実現することができることを示す。
この接続パターンは、行動時スケールのシナプス可塑性によって海馬で学習することができる。
理論的解析とシミュレーションの両方により、複雑な障害物配置を持つ環境では、この繰り返しネットワークダイナミクスによるナビゲーションが効率的で堅牢であることが示された。
- 参考スコア（独自算出の注目度）: 29.27665323546258
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Neural correlates of spatial cognitive map are well documented, yet exactly how neural circuits perform spatial navigation in complex environments - e.g., reaching a goal while avoiding obstacles - remains largely unclear. Here, we show that a hippocampal network with appropriate recurrent connections can naturally achieve optimal goal-directed navigation via its relaxation dynamics. Specifically, we consider that the recurrent weights between the neurons represent the transition probabilities between spatial locations encoded by neurons; obstacles such as walls and blocked corridors are therefore reflected by the vanishing of connection weights. This connection pattern can be learned in the hippocampus via behavioral-timescale synaptic plasticity (BTSP) while the animal is exploring the environment. When a goal signal is presented, the network dynamics will relax into an activity field representing the goal location. We prove that this field is mathematically equivalent to the desirability field of a Linearly-solvable Markov Decision Process (LMDP), and the local log-gradient of the field indicates the navigation direction. Both theoretical analyses and simulations demonstrate that this recurrent network dynamics-mediated navigation is efficient and robust in environments with complex obstacle layouts. Moreover, only low-rank updates of the network's connection pattern are needed when the environment has local changes. We hope this study offers insight into a general circuit principle for planning in abstract rational maps in the brain beyond spatial navigation.
- Abstract（参考訳）: 空間認知マップのニューラル相関は十分に文書化されているが、複雑な環境でどのように神経回路が空間ナビゲーションを行うかは正確には分かっていない。
そこで本研究では、適切なリカレント接続を持つ海馬ネットワークが、その緩和ダイナミクスにより、自然に最適な目標指向ナビゲーションを実現できることを示す。
具体的には、ニューロン間の繰り返し重みは、ニューロンがコードする空間的位置間の遷移確率を表しており、壁や遮断された廊下などの障害は、接続重みの消滅によって反映されると考えられる。
この接続パターンは、動物が環境を探索している間に行動時スケールシナプス可塑性(BTSP)を通して海馬で学習することができる。
ゴール信号が提示されると、ネットワークダイナミクスはゴール位置を表すアクティビティフィールドにリラックスする。
我々は,このフィールドが線形解法マルコフ決定過程(LMDP)の所望性フィールドと数学的に等価であることを証明し,そのフィールドの局所ログ勾配はナビゲーション方向を示す。
理論的解析とシミュレーションの両方により、複雑な障害物配置を持つ環境では、この繰り返しネットワークダイナミクスによるナビゲーションが効率的で堅牢であることが示された。
さらに、環境がローカルな変更を行う際には、ネットワークの接続パターンの低ランク更新のみが必要である。
この研究は、空間ナビゲーションを超えた脳内の抽象的有理マップを計画するための一般的な回路原理に関する洞察を与えてくれることを願っている。
関連論文リスト
- AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。
我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。
我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-13T16:00:41Z) - SignNav: Leveraging Signage for Semantic Visual Navigation in Large-Scale Indoor Environments [57.79171900005793]
人間は、大規模屋内環境内の目的地に向かうために、手話によって提供される意味的ヒントを日常的に活用する。
本稿では,手話からの意味的ヒントを解釈し,現在の観察に基づくその後の行動の推論を行うための,新しい具体的ナビゲーションタスクSignNavを紹介する。
空間認識モジュールは物理的世界へのサインの意味的ヒントを基盤として,時間認識モジュールは歴史的状態と現在の観測との長距離依存性を捉えている。
論文 参考訳（メタデータ） (2026-03-17T06:36:26Z) - Embodied World Models Emerge from Navigational Task in Open-Ended Environments [5.785697934050656]
プロシージャ的に生成された平面迷路を解決するために,スパース報酬のみで訓練された反復エージェントが,方向,距離,障害物レイアウトなどの計量概念を自律的に内部化できるかどうかを問う。
トレーニングの後、エージェントは、下層の空間モデルにヒントを与える行動である、見えない迷路において、常に準最適経路を生成する。
論文 参考訳（メタデータ） (2025-04-15T17:35:13Z) - Threshold Adaptation in Spiking Networks Enables Shortest Path Finding and Place Disambiguation [17.979944005634337]
本研究は、任意の一方向スパイキングニューロングラフにおける活動バックトレースのメカニズムを提案する。
スパイクタイミング依存性閾値適応(STDTA)により、スパイク階層時間記憶(S-HTM)の既存の再生機構を拡張した。
また、あいまいさの少ない環境における場所を特定するためのあいまいさ依存しきい値適応(ADTA)を提案し、エージェントの局所化推定値を高める。
論文 参考訳（メタデータ） (2025-03-22T03:18:44Z) - Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。
本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
論文 参考訳（メタデータ） (2025-03-20T12:28:08Z) - Traveling Waves Integrate Spatial Information Through Time [3.3496112914071166]
視覚刺激に応答して隠れた状態で進行波を発生させる畳み込みリカレントニューラルネットワークを導入する。
移動波は局所的に接続されたニューロンの受容野を効果的に拡張し、長距離符号化と情報通信を支援する。
人工ネットワークにおける移動波に基づくコミュニケーションと視覚表現への第一歩として,波動力学が効率性とトレーニング安定性の恩恵をもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2025-02-09T21:14:27Z) - The Cooperative Network Architecture: Learning Structured Networks as Representation of Sensory Patterns [3.9848584845601014]
協調ネットワークアーキテクチャ(Cooperative Network Architecture, CNA)は,ニューロンの構造的, 繰り返し接続されたネットワークを用いて, 知覚信号を表すモデルである。
我々は、ネットフラグメントを監督なしに学習し、フレキシブルに組み換えることで、新しいパターンをエンコードし、フィギュア補完とノイズに対するレジリエンスを可能にすることを実証した。
論文 参考訳（メタデータ） (2024-07-08T06:22:10Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-10-05T21:44:18Z) - Can the brain use waves to solve planning problems? [62.997667081978825]
このような課題を解くニューラルネットワークモデルを提案する。
このモデルは、哺乳類の新皮質と海馬に関する幅広い実験的な発見と互換性がある。
論文 参考訳（メタデータ） (2021-10-11T11:07:05Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。