論文の概要: Flow structure decides whether a robot searching for odour should follow the wind

• arxiv url: http://arxiv.org/abs/2610.20970v2
• Date: Fri, 16 Oct 2026 21:12:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 21:22:33.492758
• Title: Flow structure decides whether a robot searching for odour should follow the wind
• Title（参考訳）: ロボットが風に追従するかどうかをフロー構造が決定する
• Abstract要約: 私たちのベンチマークでは、崩壊はシミュレーションされた加速度計から生じたことが示されています。 ウィンドフォアリングコントローラーは少なくとも3.5%のエピソードでソースに到達した。 ホールドヘッドはスムーズなフィールドで勝利し、素早く逆転し、知覚されたフィールドで負けた。
• 参考スコア（独自算出の注目度）: 0.15039745292757667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robots searching for odour usually surge upwind on contact, steering by the wind sensed now. In simulated reversing wind this rule collapses, favouring controllers that hold an earlier heading. We show that on our benchmark the collapse came from the simulated anemometer. Reading the nominal wind, wind-following controllers reached the source in at most 3.5% of episodes. Reading the odour-carrying flow, the best reached 90%, ahead of a held heading. The winner then depends on the flow. A held heading won in smooth fields that reverse quickly and lost in a stochastic field. A controller-free measure of the sensed wind ranked a moth-inspired follower's success. On a quadruped in a reversing fan arena, wind-following controllers were pushed away from the source, while a heading held from a source-facing start was not. Benchmarks should state which wind their sensor reads and test more than one flow structure.
• Abstract（参考訳）: オードアを探すロボットは、通常接触時に上向きに浮上し、現在感知されている風によって操縦される。 逆風のシミュレーションでは、このルールは崩壊し、以前の方向を保持するコントローラが好まれる。 私たちのベンチマークでは、崩壊はシミュレーションされた加速度計から生じたことが示されています。 名目上の風を読み取ると、風を吹くコントローラーは少なくとも3.5%のエピソードでソースに到達した。 臭気を流す流れを読み取ると、最善は90%に達し、先頭に立った。 勝者はフローに依存する。 ホールドヘッドはスムーズなフィールドで勝利し、スムーズなフィールドで素早く逆転し、確率的なフィールドで負けた。 感知された風のコントローラーなし測度は、暴徒に触発された追随者の成功をランク付けした。 逆さまのファン・アリーナの四足歩行では、風が吹くコントローラーがソースから押し出され、ソースを向いたスタートからのヘッドは動かなかった。 ベンチマークは、センサーがどの風を読み取り、複数のフロー構造をテストするかを記述すべきである。

関連論文リスト

• WAND: Learning Robust Navigation under Complex Wind Disturbances and Dense Obstacles for Quadrotors [53.304053813409666]
  本稿では、高密度障害物場における時変風乱下でのナビゲーションのための強化学習フレームワーク、WAND(Wind-Aware Navigation with disturbance Estimation)を紹介する。 風に乱れた12のシミュレーション設定において、WADは平均的なフィードフォワード補償に対する成功率を8.3ポイント改善した。 室内でのファンによる飛行試験では、WADは20の試験のうち18の試験に成功し、リアルタイムのオンボードナビゲーションの実現可能性を示した。
  論文  参考訳（メタデータ） (2026-10-08T12:17:45Z)
• Onboard Wind-Preview Model Predictive Control Using Pitot-Static Sensing for Multirotor UAVs [2.81343658088074]
  風速の拒絶と安定なホバリングは、自律ドローンの屋外操作に不可欠である。 本研究は,ブームに装着された低コストで低重量のピットスタティックセンサーを用いて,ドローン前方の風を測定することにより,ガストを予測する。 結果として生じる風のプレビューは非線形モデル予測コントローラ(MPC)に組み込まれ、風の乱れを予測しながらドローンの動きを最適化する。
  論文  参考訳（メタデータ） (2026-09-25T12:16:35Z)
• Pre-Lane-change Signal in Transitional Autonomous Vehicles: Results from Controlled Experiments [2.249119609566989]
  本稿では,生産移行型自動運転車(TAV)が車線変更決定を強制的に実施する方法について検討する。 NC-tALC実験による150の強制車線変化を用いて, 側方移動開始前に, 最終的な目標ギャップが観測可能であるかを検討した。 その結果,SigTから車線切換開始までの縦方向の経路は,in-positionおよびrepositioningのケースで異なることが判明した。
  論文  参考訳（メタデータ） (2026-09-02T13:20:54Z)
• CAFE: Self-Improving Search Agents Need Co-Evolving Feedback [64.5257526832476]
  アウトカム管理された検索エージェントは、いつ、どのように証拠を回収するかを学習するが、端末の報酬は中間エラーのローカライズも、それらのエラーが複雑になる前に継続する軌道のリダイレクトもしない。 学習した軌道内での介入として修正的フィードバックを扱うことは、エージェントがいつフィードバックを要求し使用するかを決めなければならないのに対し、批評家は、エージェントが改善するにつれて障害パターンが変化する結果構築されたロールアウトから有用な修正を推測しなければならない。
  論文  参考訳（メタデータ） (2026-08-25T16:39:00Z)
• Wind-Aware Reinforcement Learning Control of a Small Quadrotor Using Learned Onboard Wind Estimation in Simulated Atmospheric Turbulence [2.878288301715711]
  小型のマルチローター機は大気境界層での運用にますます取り組まれている。 この研究は、まずオンボードキネマティクスとダイナミクスから局所的な風を推定する2段階の学習パイプラインを描いている。
  論文  参考訳（メタデータ） (2026-07-01T22:59:18Z)
• ForestBack: Breadcrumb-Based Pedestrian Dead Reckoning for Infrastructure-Free Return Navigation [0.0]
  本稿では,パンクラムに基づく歩行者死亡推定(PDR)に基づく,インフラストラクチャフリーの歩行者帰還ナビゲーションフレームワークであるフォレストBackについて述べる。 このシステムは,ユーザの歩行経路を,GPS,Wi-Fi,Bluetoothビーコン,あるいはプリインストールインフラストラクチャを必要とせずに,可逆的なパンクラムノードのシーケンスとして記録し,逆パスガイダンスを生成する。
  論文  参考訳（メタデータ） (2026-06-12T12:57:57Z)
• On Exact Editing of Flow-Based Diffusion Models [97.0633397035926]
  本研究では,フローベース編集を既知ソースによって駆動される分散変換問題として再構成する条件付き速度補正(CVC)を提案する。 CVCは、双対パースペクティブな速度変換機構を導入することにより、分配間変換における速度の役割を再考する。 我々は,CVCが優れた忠実度,セマンティックアライメント,多種多様なタスクに対する信頼性の高い編集動作を一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2025-12-30T06:29:20Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)

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。