論文の概要: Autonomous Droplet Navigation via Model-Based Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2609.16369v1
- Date: Mon, 14 Sep 2026 21:31:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.247713
- Title: Autonomous Droplet Navigation via Model-Based Reinforcement Learning
- Title（参考訳）: モデルに基づく強化学習による自律型液滴ナビゲーション
- Abstract要約: 重力駆動プラットフォーム上での複雑度増大のジオメトリーによる液滴の自律航法を実証する。
薄いシリコンオイル膜は接触線ピンニングを低減し、2軸傾斜は重力駆動力を供給し、頭上カメラは液滴をリアルタイムで追跡する。
オフライントレーニングされたポリシーは、シミュレーションや解析的なドロップレットモデルなしで、限られた物理的相互作用データから効果的な傾き戦略を発見する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precise manipulation of liquid droplets underpins lab-on-a-chip platforms for diagnostics, chemical synthesis, and biological assays. Yet autonomous droplet transport through confined geometries of varying complexity remains an open challenge. Droplets exhibit contact-angle hysteresis, deformability, and capillary pinning, which make their response to actuation nonlinear and history dependent, that classical controllers and pre-programmed trajectories cannot cope in multi-turn environments. Here we demonstrate autonomous navigation of a liquid droplet through geometries of increasing complexity on a gravity driven (Labyrinth) platform using model-based reinforcement learning. A thin silicone oil film reduces contact-line pinning while two-axis tilt supplies the gravitational driving force, and an overhead camera tracks the droplet in real time. An offline-trained policy discovers effective tilt strategies from limited physical interaction data, without simulation or analytical droplet models. The system operates under partial observability, as oil-film thickness, instantaneous contact angle, and droplet deformation state remain hidden from the controller. Despite these challenges, the learned policy achieves reliable navigation across straight, right-angle, and curved-arc paths, including outside-corner geometries. We further demonstrate that a policy trained on a simpler geometry transfers to complex ones, succeeding zero-shot on right-angle and staircase paths and reaching full success on a curved arc with a fifth of the training data. The findings suggest promising avenues for enabling droplet based microfluidic systems to serve as intelligent chemical laboratories.
- Abstract（参考訳）: 液体滴の精密な操作は、診断、化学合成、生物学的アッセイのためのラボ・オン・ア・チップの基盤となる。
しかし、様々な複雑さの制限された地形を通る自律的な液滴輸送は、依然として未解決の課題である。
液滴は接触角ヒステリシス、変形性、毛細管ピンニングを示すが、これは運動の非線形性や履歴に依存し、古典的な制御装置やプログラム済みの軌道はマルチターン環境では対応できない。
ここでは, モデルに基づく強化学習を用いて, 重力駆動型(ラビリンス)プラットフォーム上での複雑性増大のジオメトリを通じて, 液滴の自律的なナビゲーションを実演する。
薄いシリコンオイル膜は接触線ピンニングを低減し、2軸傾斜は重力駆動力を供給し、頭上カメラは液滴をリアルタイムで追跡する。
オフライントレーニングされたポリシーは、シミュレーションや解析的なドロップレットモデルなしで、限られた物理的相互作用データから効果的な傾き戦略を発見する。
このシステムは、油膜厚、瞬時接触角、および液滴変形状態がコントローラから隠されているため、部分観察可能である。
これらの課題にもかかわらず、学習されたポリシーは、直角、直角、湾曲した弧状の経路を横断する信頼性の高いナビゲーションを実現する。
さらに、より単純な幾何学的手法で訓練されたポリシーが複雑なものへ移行し、右角と階段の経路でゼロショットを成功させ、トレーニングデータの5分の1の曲線弧で完全に成功したことを実証する。
この結果は, 液滴系マイクロ流体系をインテリジェントな化学実験室として機能させるための, 有望な道のりを示唆している。
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) - Curriculum-Based Reinforcement Learning for Autonomous UAV Navigation in Unknown Curved Tubular Conduit [0.0]
そこで本研究では,無人機が未知の3次元管の形状を事前に知ることなくナビゲートできる強化学習手法を提案する。
決定論的ベースラインとして使用されるPure Pursuitアルゴリズムは、センターラインへの明示的なアクセスの恩恵を受ける。
直接可視性、指向性メモリ、LiDAR対称性の組み合わせに基づくターンネゴシエーション機構は、安定したナビゲーションを確保するために不可欠である。
論文 参考訳（メタデータ） (2025-12-11T18:57:29Z) - 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) - 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) - Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。
まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。
このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
論文 参考訳（メタデータ） (2024-06-21T13:48:37Z) - Online Learning of Wheel Odometry Correction for Mobile Robots with
Attention-based Neural Network [63.8376359764052]
現代のロボットプラットフォームは、人間の横で毎日運用するために、信頼性の高いローカライゼーションシステムを必要としている。
フィルタされた車輪と慣性オドメトリーに基づく単純なポーズ推定アルゴリズムは、急激なキネマティックな変化とホイールスリップの存在下で失敗することが多い。
本稿では,車輪形状補正のための革新的なオンライン学習手法を提案し,ロバストなマルチソースローカライゼーションシステムを提案する。
論文 参考訳（メタデータ） (2023-03-21T10:30:31Z) - Learning Variable Impedance Control for Aerial Sliding on Uneven
Heterogeneous Surfaces by Proprioceptive and Tactile Sensing [42.27572349747162]
本研究では,空中すべり作業に対する学習に基づく適応制御手法を提案する。
提案するコントローラ構造は,データ駆動制御とモデルベース制御を組み合わせたものである。
美術品間相互作用制御手法の微調整状態と比較して,追従誤差の低減と外乱拒否の改善を実現した。
論文 参考訳（メタデータ） (2022-06-28T16:28:59Z) - 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) - Discovering Governing Equations from Partial Measurements with Deep
Delay Autoencoders [4.446017969073817]
データ駆動モデル発見における中心的な課題は、直接測定されていないが動的に重要な、隠された、あるいは潜在的な変数の存在である。
そこで我々は,遅延埋め込み空間から新しい空間への座標変換を学習するために,独自のディープオートエンコーダネットワークを設計する。
この手法をロレンツ,R"ossler,Lotka-Volterra系で実証し,1つの測定変数から力学を学習する。
論文 参考訳（メタデータ） (2022-01-13T18:48:16Z) - 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) - Trajectory Tracking of Underactuated Sea Vessels With Uncertain
Dynamics: An Integral Reinforcement Learning Approach [2.064612766965483]
積分強化学習に基づくオンライン機械学習メカニズムを提案し,非線形追跡問題のクラスに対する解を求める。
このソリューションは、適応的批評家と勾配降下アプローチを用いて実現されるオンライン価値反復プロセスを用いて実装される。
論文 参考訳（メタデータ） (2021-04-01T01:41:49Z)
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。