論文の概要: FlyCNS: Connectome-Grounded Information Organization for Communication-Constrained Embodied Control

• arxiv url: http://arxiv.org/abs/2609.28816v1
• Date: Wed, 23 Sep 2026 21:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.585765
• Title: FlyCNS: Connectome-Grounded Information Organization for Communication-Constrained Embodied Control
• Title（参考訳）: FlyCNS:通信拘束型身体制御のためのコネクトーム型情報機関
• Abstract要約: 本研究は,コミュニケーション制約の具体化制御における情報組織の問題について考察する。 本研究では,ショウジョウバエの脳-神経-コードコネクトームに触発された情報編成フレームワークFlyCNSを提案する。
• 参考スコア（独自算出の注目度）: 24.726638033402747
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic bodies are inherently distributed in sensing and actuation, yet learning-based control still commonly relies on centralized information processing. This work studies the problem of information organization in communication-constrained embodied control: which computations should remain local, and which information is worth transmitting for whole-body coordination. We propose FlyCNS, an embodied information-organization framework inspired by the Drosophila brain--nerve-cord connectome. FlyCNS preserves local sensorimotor computation within each limb and enables selective long-range communication through separate ascending and descending routing pathways. From a real connectome, FlyCNS extracts the directional structural complexity of these two pathway types and uses it as a weak prior over communication allocation, while message content, transmission timing, and locomotion policies remain task-adaptive and are learned through reinforcement learning. In Unitree Go1 simulation, FlyCNS exhibits more graceful performance degradation as the communication budget is tightened. Under the most restrictive setting, it uses only about 21--22\% of the communication of the full-communication reference, while still maintaining a tracking score of approximately 0.882 under both command protocols, with a gap of no more than 6.1\% from the full-communication reference. These results indicate that real neural connectomes can inform not only the structural design of control networks, but also provide transferable inductive biases for information organization across embodiments, guiding robots in balancing local computation and long-range coordination under limited communication resources.
• Abstract（参考訳）: ロボット体は本来、感知とアクチュエーターに分散しているが、学習に基づく制御は依然として中央集権的な情報処理に依存している。 本研究は,コミュニケーション制約の具体化制御における情報組織の問題,すなわち,どの計算が局所的であり続けるべきか,どの情報が全体コーディネートに価値があるのかを考察する。 本研究では,ショウジョウバエの脳-神経-コードコネクトームに触発された情報編成フレームワークFlyCNSを提案する。 FlyCNSは各手足内の局所的な感覚運動量計算を保存し、異なる昇降経路と下降経路を通して選択的な長距離通信を可能にする。 実際のコネクトームから、FlyCNSはこれらの2つの経路の方向的構造的複雑さを抽出し、通信割り当てよりも弱い優先順位として使用する一方、メッセージの内容、送信タイミング、移動ポリシーはタスク適応的であり、強化学習を通じて学習される。 ユニツリーGo1シミュレーションでは、FlyCNSは通信予算が強化されるにつれて、より優雅な性能劣化を示す。 最も制限された設定では、完全な通信参照の通信の約21--22\%しか使用せず、両方のコマンドプロトコルでおよそ0.882のトラッキングスコアを維持しており、完全な通信参照から6.1\%未満のギャップがある。 これらの結果から,実際のニューラルコネクトームは,制御ネットワークの構造設計だけでなく,限られた通信資源下での局所計算と長距離調整のバランスをロボットに導くことで,具体的情報組織に伝達可能な帰納的バイアスをもたらすことが示唆された。

関連論文リスト

• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [72.81786007015471]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)
• A Scalable Multi-Robot Framework for Decentralized and Asynchronous Perception-Action-Communication Loops [72.1902268440158]
  グローバルな目的を達成するため,大規模なロボット群における協調作業は,大規模環境における課題である。 ロボットはパーセプション・アクション・コミュニケーションループを実行し、ローカル環境を認識し、他のロボットと通信し、リアルタイムで行動を起こす必要がある。 近年では、フロッキングやカバレッジ制御などのアプリケーションでグラフニューラルネットワーク(GNN)を使用してこの問題に対処している。 本稿では、分散化されたGNNを用いてナビゲーション動作を計算し、通信のためのメッセージを生成するロボット群における非同期PACフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T21:20:50Z)

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。