論文の概要: Emergent Control of Ant Learning Walks in a Mobile Robot

• arxiv url: http://arxiv.org/abs/2611.00392v1
• Date: Fri, 30 Oct 2026 21:16:30 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:01:59.492103
• Title: Emergent Control of Ant Learning Walks in a Mobile Robot
• Title（参考訳）: 移動ロボットにおけるアントラーニングウォークの創発的制御
• Abstract要約: 捕食の前には、砂漠のアリが学習ウォーク(LW)を行い、巣の周りの視覚記憶を取得する。 経路積分(PI)とキノコ体にインスパイアされた視覚コンパス(VC)の角的ミスマッチからこれらの行動が現れるモデルを提案する。 そこで本研究では,実環境に固有の感覚や運動の騒音にもかかわらず,このメカニズムが物理的なロボット上で学習歩行を生成できるかどうかを検証した。
• 参考スコア（独自算出の注目度）: 0.11666234644810891
• License:
• Abstract: Before foraging, desert ants perform learning walks (LWs) to acquire visual memories around their nest. With experience, these walks expand, become straighter, and contain fewer visual scans. We previously proposed a model in which these behaviours emerge from the angular mismatch between path integration (PI) and a mushroom-body-inspired visual compass (VC). Here, we test whether this mechanism can generate learning walks on a physical robot, despite the sensory and motor noise inherent to real-world conditions. We implement the model on a four-wheeled robot equipped with a panoramic camera, an IMU and wheel encoders providing compass and stride information for PI, and test it outdoors using a replicated desert-ant experimental setup. The PI--VC mismatch regulates walking speed, turning, pirouettes, and returns to the nest, while PI provides a teaching signal for visual learning. The robot autonomously decides when to acquire visual memories, while its behaviour gradually shifts from exploration towards foraging as visual learning progresses. The robot reproduces desert-ant LW features, including expanding and straightening trajectories, decreasing pirouette frequency, and improved visual homing. These results demonstrate that a simple error-driven mechanism can generate key features of learning walks under real-world conditions, supporting its plausibility as an explanation for active visual learning in desert ants. More broadly, this work illustrates how physical robots can be used to test biological models.
• Abstract（参考訳）: 捕食の前には、砂漠のアリが学習ウォーク(LW)を行い、巣の周りの視覚記憶を取得する。 経験を積むと、これらの歩行は拡大し、よりまっすぐになり、視覚スキャンも少なくなります。 我々は以前,これらの行動が経路積分(PI)とキノコ体に触発された視覚コンパス(VC)の角度的ミスマッチから生じるモデルを提案した。 そこで本研究では,実環境に固有の感覚や運動騒音にもかかわらず,このメカニズムが物理的なロボット上で学習歩行を生成できるかどうかを検証した。 本研究では,パノラマカメラ,IMU,車輪エンコーダを備えた四輪ロボットを用いて,PIのコンパスおよびストライド情報を提供し,再現された砂漠実験装置を用いて屋外でテストする。 PI-VCミスマッチは歩行速度、旋回、ピルエット、巣への帰還を調節し、PIは視覚学習のための教示信号を提供する。 ロボットは、視覚的な記憶をいつ取得するかを自律的に決定するが、その行動は、視覚的な学習が進むにつれて、探索から捕食へと徐々に変化していく。 ロボットは、軌道の拡大と直線化、ピロエット周波数の低減、視覚ホーミングの改善など、砂漠のLW特徴を再現する。 以上の結果から, 単純なエラー駆動機構は, 現実の環境下での歩行を学習する上で重要な特徴を生み出すことが可能であり, 砂漠アリの視覚的学習を活発に行うための説明として, その可能性を支持することが示唆された。 より広範に、この研究は、物理的なロボットが生物学的モデルをテストするためにどのように使用できるかを示している。

関連論文リスト

• Learning to See through Action: Predictive Curiosity for Robots [22.5459428605683]
  能動ロボット視覚学習のための自己教師型フレームワークであるDySCOVERを紹介する。 ロボットはRGBフレームを観察し、それらをエンコードして再構築する視覚オートエンコーダを学び、次の視覚潜伏状態を予測するために繰り返し世界モデルを訓練する。 ロボットアームを用いて実施した実験は、視覚的好奇性のみを用いることよりも、予測的好奇性を加えることで視覚モデルを改善することを示した。
  論文  参考訳（メタデータ） (2026-10-09T20:26:22Z)
• Visual Homing in Outdoor Robots Using Mushroom Body Circuits and Learning Walks [0.562479170374811]
  アントは、最小限の感覚入力と数回の学習ウォークで、堅牢な視覚ホーミングを実現する。 本稿では,自律走行車のようなロボット上での視覚的ホーミングのための側方化Mushroom Bodyアーキテクチャの実装について紹介する。
  論文  参考訳（メタデータ） (2025-07-13T17:54:01Z)
• Enhancing Robot Learning through Learned Human-Attention Feature Maps [6.724036710994883]
  ロボット学習にフォーカスポイントに関する補助情報を埋め込むことで、学習プロセスの効率性と堅牢性が向上すると考えられる。 本稿では,人間の注意を近似予測モデルでモデル化し,エミュレートするための新しいアプローチを提案する。 我々は,物体検出と模倣学習という2つの学習課題にアプローチを試行する。
  論文  参考訳（メタデータ） (2023-08-29T14:23:44Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Affordances from Human Videos as a Versatile Representation for Robotics [31.248842798600606]
  我々は、人間がどこでどのように対話するかを推定する視覚的余裕モデルを訓練する。 これらの行動割当の構造は、ロボットが多くの複雑なタスクを直接実行できるようにする。 私たちは、VRBと呼ばれる4つの現実世界環境、10以上のタスクと2つのロボットプラットフォームにおいて、私たちのアプローチの有効性を示します。
  論文  参考訳（メタデータ） (2023-04-17T17:59:34Z)
• Open-World Object Manipulation using Pre-trained Vision-Language Models [72.87306011500084]
  ロボットが人からの指示に従うためには、人間の語彙の豊かな意味情報を繋げなければならない。 我々は、事前学習された視覚言語モデルを利用して、オブジェクト識別情報を抽出するシンプルなアプローチを開発する。 実際の移動マニピュレータにおける様々な実験において、MOOはゼロショットを様々な新しいオブジェクトカテゴリや環境に一般化する。
  論文  参考訳（メタデータ） (2023-03-02T01:55:10Z)
• Masked World Models for Visual Control [90.13638482124567]
  視覚表現学習と動的学習を分離する視覚モデルに基づくRLフレームワークを提案する。 提案手法は,様々な視覚ロボット作業における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-06-28T18:42:27Z)
• Learning Perceptual Locomotion on Uneven Terrains using Sparse Visual Observations [75.60524561611008]
  この研究は、人中心の環境において、よく見られるバンプ、ランプ、階段の広い範囲にわたる知覚的移動を達成するために、スパースな視覚的観察の使用を活用することを目的としている。 まず、関心の均一な面を表すことのできる最小限の視覚入力を定式化し、このような外受容的・固有受容的データを統合した学習フレームワークを提案する。 本研究では, 平地を全方向歩行し, 障害物のある地形を前方移動させるタスクにおいて, 学習方針を検証し, 高い成功率を示す。
  論文  参考訳（メタデータ） (2021-09-28T20:25:10Z)
• Learning a generative model for robot control using visual feedback [7.171234436165255]
  本稿では,ロボット制御に視覚フィードバックを取り入れた新しい定式化を提案する。 モデルにおける推論により,特徴のターゲット位置に対応するロボット状態を推測することができる。 本研究では,不正確な制御を行うロボットに対して,握りとタイトな挿入を実行することで,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-03-10T00:34:01Z)

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。