論文の概要: Glass-Box Deep Reinforcement Learning for High-Speed Flow Control

• arxiv url: http://arxiv.org/abs/2610.27132v1
• Date: Mon, 19 Oct 2026 18:30:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.454774
• Title: Glass-Box Deep Reinforcement Learning for High-Speed Flow Control
• Title（参考訳）: 高速フロー制御のためのグラスボックス深部強化学習
• Abstract要約: 深部強化学習(DRL)は, アクティブフロー制御における長期的仮定に挑戦する。 DRLエージェントは、明示的なモデルなしで非線形で非定常な流れの作動戦略を見つけることができる。 高速な流れは、この約束の必要なテストだ。
• 参考スコア（独自算出の注目度）: 0.40611352512781873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep reinforcement learning (DRL) is challenging long-held assumptions in active flow control. By learning directly from interaction with a flow, DRL agents can find actuation strategies for nonlinear, unsteady flows without explicit models, often exploiting mechanisms that classical control would not anticipate. High-speed flows are a demanding test of this promise: shocks, shock/boundary-layer interactions, transition, aerothermal loading and microsecond-scale dynamics strain both algorithms and hardware. Yet most demonstrations remain idealized, low-speed simulations with limited evidence of robustness, interpretability, transferability or experimental deployment. In this perspective, we examine what constrains DRL-based high-speed flow control, including compressible simulation cost and fidelity, data efficiency, sensing in extreme environments, reward design, explainability, and generalization across Mach and Reynolds number. We argue that these limits reflect a tension between data-driven optimization and the structured physics, constraints and uncertainties of real flows. We then highlight where DRL may go beyond conventional approaches: adaptive control of shock-induced separation and turbulent boundary layers, coordination of distributed actuators, and discovery of unconventional flow-manipulation mechanisms.The central challenge, however, is translating these capabilities into reliable technology, which will require validated compressible simulation environments, physics- and constraint-aware learning, robustness to off-design conditions and sensor degradation, real-time operation, hardware-in-the-loop and wind-tunnel validation, and credible pathways to safety and certification.
• Abstract（参考訳）: 深部強化学習(DRL)は, アクティブフロー制御における長期的仮定に挑戦する。 フローとの相互作用から直接学習することで、DRLエージェントは明示的なモデルなしで非線形で非定常な流れの作動戦略を見つけることができ、古典的な制御が予想しないメカニズムを利用することが多い。 衝撃、衝撃/境界層相互作用、遷移、熱水負荷、マイクロ秒スケールのダイナミックスは、アルゴリズムとハードウェアの両方を歪ませる。 しかし、ほとんどの実験は、ロバスト性、解釈可能性、伝達可能性、実験的な展開の限られた証拠を持つ低速シミュレーションとして理想化されている。 本稿では,DRLに基づく高速フロー制御の制約について検討する。圧縮可能なシミュレーションコストと忠実度,データ効率,極端環境のセンシング,報酬設計,説明可能性,マッハとレイノルズ数全体の一般化などである。 これらの制限は、データ駆動最適化と構造化された物理、制約、実際の流れの不確実性の間の緊張関係を反映していると我々は主張する。 そこで, DRL は, 衝撃誘起分離・乱流境界層の適応制御, 分散アクチュエータの調整, 従来の流れ制御機構の発見など, 従来の手法に留まらず, 信頼性の高い技術に変換され, 物理・制約学習, オフデザイン条件への堅牢性, センサ劣化, リアルタイム操作, ハードウェア・イン・ザ・ループ・アンド・ウインド・タンネル検証, 安全・認証への信頼性の高い経路が求められている。

関連論文リスト

• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Hypersonic Flow Control: Generalized Deep Reinforcement Learning for Hypersonic Intake Unstart Control under Uncertainty [0.34376560669160394]
  アンスタートはマッハ5以上での信頼性の高い空気呼吸推進への大きな挑戦である。 正準2次元超音速インレットにおいて,マッハ5とレイノルズ5倍の106$でアンスタートを制御する戦略を示す。 その結果,実運用上の不確実性の下でのリアルタイム超音速流制御におけるデータ駆動型手法が確立された。
  論文  参考訳（メタデータ） (2026-01-27T22:38:52Z)
• HydroGym: A Reinforcement Learning Platform for Fluid Dynamics [2.7789211666404228]
  HydroGymは、フロー制御研究のためのソルバ非依存のRLプラットフォームである。 我々のプラットフォームは、標準層流から複雑な3次元乱流シナリオにまたがる42の検証環境を含む。
  論文  参考訳（メタデータ） (2025-12-19T12:58:06Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• RIFT: Group-Relative RL Fine-Tuning for Realistic and Controllable Traffic Simulation [13.319344167881383]
  データ駆動シミュレーターにおいて、模擬学習事前学習を行う2段階のAV中心シミュレーションフレームワークを導入する。 次に、物理に基づくシミュレータで微調整を学習し、スタイルレベルの制御性を向上する。 微調整段階において,新しいグループ関連RL微調整戦略であるRIFTを提案する。
  論文  参考訳（メタデータ） (2025-05-06T09:12:37Z)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• 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)

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。