論文の概要: Embracing Flow Unsteadiness: A High-Throughput Learning Platform Enables Vortex-Exploiting Bioinspired Propulsion
- arxiv url: http://arxiv.org/abs/2609.14254v1
- Date: Sun, 13 Sep 2026 03:11:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.773036
- Title: Embracing Flow Unsteadiness: A High-Throughput Learning Platform Enables Vortex-Exploiting Bioinspired Propulsion
- Title（参考訳）: フローの不安定性を受け入れる:バイオインスパイアされた推進力の渦拡大を可能にする高速学習プラットフォーム
- Abstract要約: 生物学的スイマーやフライアワーは非定常渦を推進に利用するが、工学的な車両は通常乱れとして抑制する。
本稿では,SHOALとV-STARを統合した物理学習フレームワークREEFを提案する。
リフトベース、ドラッグベース、および運動量ジェット推進器全体で、REEFは達成可能な力包絡をパラメータ化探索の2倍以上に拡張する。
- 参考スコア（独自算出の注目度）: 15.714839097506124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biological swimmers and flyers exploit unsteady vortices for propulsion, whereas engineered vehicles usually suppress them as disturbances. Learning such flow exploitation in machines is difficult because real-fluid interaction data are scarce and unstructured exploration is unstable in high-dimensional, history-dependent flows. Here we present REEF, a co-designed physical-learning framework that integrates SHOAL, an eight-channel high-throughput array for real fluid--structure interaction, with V-STAR, a staged algorithm that converts these interactions into policies through imitation, offline internalization, and online adaptation. Across lift-based, drag-based, and momentum-jet propulsors, REEF expands the attainable force envelope to more than twice that of parameterized search. Particle image velocimetry shows that these gains arise from coordinated vortex formation, growth, and force projection, rather than refinement of a fixed motion-to-force mapping. Force-trained policies transfer zero-shot to free-moving robots whose body motion changes the surrounding flow, suggesting that REEF learns transferable wake-coupling principles for embodied propulsion in unsteady fluids.
- Abstract（参考訳）: 生物学的スイマーやフライアワーは非定常渦を推進に利用するが、工学的な車両は通常乱れとして抑制する。
実流体相互作用データが乏しく、非構造探索が高次元の履歴に依存した流れでは不安定であるため、そのような流れを機械で学習することは困難である。
本稿では,実流体-構造相互作用のための8チャネル高スループットアレイであるSHOALと,模倣,オフライン内部化,オンライン適応を通じてこれらのインタラクションをポリシーに変換するステージアルゴリズムであるV-STARを統合した物理学習フレームワークREEFを紹介する。
リフトベース、ドラッグベース、および運動量ジェット推進器全体で、REEFは達成可能な力包絡をパラメータ化探索の2倍以上に拡張する。
粒子画像速度測定により、これらの利得は、固定された動きと力のマッピングの洗練よりも、渦の形成、成長、および力の投射の調整によって生じることが示された。
強制訓練されたポリシーは、物体の動きが周囲の流れを変える自由移動ロボットにゼロショットを伝達し、REEFは非定常流体における推進の伝達可能なウェイクカップリング原理を学ぶことを示唆している。
関連論文リスト
- CausalDrive: Real-time Causal World Models for Autonomous Driving [60.66609721457312]
制御可能でリアルタイムなファンデーション駆動の世界であるCausalDriveを紹介します。
CaulDriveは、最初のフロントビューフレーム、エゴ車両の軌道、マクロテキストプロンプトのみで動作する。
本稿では,(1)衝突アーティファクトを著しく緩和した生成的クローズループ評価,(2)ビデオ2Rewardモジュールによる大規模強化学習(RL)後トレーニング,(3)リアルタイムの人間-イン-ザ・ループシミュレーション,の3つのダウンストリームアプリケーションにおける汎用性を実証する。
論文 参考訳（メタデータ） (2026-06-13T15:04:44Z) - Eulerian Motion Guidance: Robust Image Animation via Bidirectional Geometric Consistency [74.90075313101933]
本稿では、より局所的な監視設計により、同じ光フロープリミティブを再考する。
我々は隣接フレームのユーレアン運動場を用いて生成を誘導し、そこでは運動信号が常に短い時間ホップを記述する。
隣接するフレーム生成に共通するドリフトアーティファクトを軽減するために,双方向幾何整合機構を導入する。
論文 参考訳（メタデータ） (2026-05-07T13:53:31Z) - Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。
提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。
我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
論文 参考訳（メタデータ） (2026-05-05T04:49:38Z) - RoboForge: Physically Optimized Text-guided Whole-Body Locomotion for Humanoids [20.796118584632904]
自然言語と全身移動を橋渡しする統合潜在駆動型フレームワークを提案する。
我々のフレームワークは、テキスト誘導型ヒューマノイドインテリジェンスをデプロイするための実践的なパスを提供する。
論文 参考訳（メタデータ） (2026-03-18T17:02:56Z) - Three Dimensional Hydrodynamic Flow-Based Collision Avoidance for UAV Formations Facing Emergent Dynamic Obstacles [0.0]
本稿では,無人航空機(UAV)の3次元流体力学による衝突回避フレームワークを提案する。
移動障害物は3次元のダブルトまたは楕円体としてモデル化され、局所速度場を発生させ、近傍のUAVを誘導してスムーズで無衝突操作を行う。
提案手法は, リアルタイム・実用化に適した安全かつスムーズかつ計算効率の良い回避操作を実現する。
論文 参考訳（メタデータ） (2026-01-16T23:43:18Z) - 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) - Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。
ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。
実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
論文 参考訳（メタデータ） (2025-10-06T14:48:39Z) - 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) - Motion-Aware Generative Frame Interpolation [23.380470636851022]
フローベースのフレーム法は、推定中間フローを通しての運動安定性を保証するが、複雑な動き領域で深刻なアーティファクトを導入することが多い。
大規模な事前学習ビデオ生成モデルによって強化された最近の生成的アプローチは、複雑なシーンの処理において有望であることを示している。
本研究では、中間フロー誘導と生成能力を相乗化して忠実度を高める動き認識生成フレーム(MoG)を提案する。
論文 参考訳（メタデータ） (2025-01-07T11:03:43Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Real-time simulation of parameter-dependent fluid flows through deep
learning-based reduced order models [0.2538209532048866]
還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。
ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。
得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
論文 参考訳（メタデータ） (2021-06-10T13:07:33Z)
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。