論文の概要: EDMP: Ensemble-of-costs-guided Diffusion for Motion Planning

• arxiv url: http://arxiv.org/abs/2309.11414v1
• Date: Wed, 20 Sep 2023 15:40:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-21 15:41:25.415872
• Title: EDMP: Ensemble-of-costs-guided Diffusion for Motion Planning
• Title（参考訳）: EDMP:移動計画のための低コスト誘導拡散
• Authors: Kallol Saha, Vishal Mandadi, Jayaram Reddy, Ajit Srikanth, Aditya Agarwal, Bipasha Sen, Arun Singh and Madhava Krishna
• Abstract要約: 本研究では,移動計画のための費用対効果誘導拡散であるEDMPを提案する。 衝突コストなどのシーン固有のコストを計算し、拡散を誘導し、シーン固有の制約を満たす有効なトラジェクトリを生成する。
• 参考スコア（独自算出の注目度）: 3.1589428143398357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical motion planning for robotic manipulation includes a set of general algorithms that aim to minimize a scene-specific cost of executing a given plan. This approach offers remarkable adaptability, as they can be directly used off-the-shelf for any new scene without needing specific training datasets. However, without a prior understanding of what diverse valid trajectories are and without specially designed cost functions for a given scene, the overall solutions tend to have low success rates. While deep-learning-based algorithms tremendously improve success rates, they are much harder to adopt without specialized training datasets. We propose EDMP, an Ensemble-of-costs-guided Diffusion for Motion Planning that aims to combine the strengths of classical and deep-learning-based motion planning. Our diffusion-based network is trained on a set of diverse kinematically valid trajectories. Like classical planning, for any new scene at the time of inference, we compute scene-specific costs such as "collision cost" and guide the diffusion to generate valid trajectories that satisfy the scene-specific constraints. Further, instead of a single cost function that may be insufficient in capturing diversity across scenes, we use an ensemble of costs to guide the diffusion process, significantly improving the success rate compared to classical planners. EDMP performs comparably with SOTA deep-learning-based methods while retaining the generalization capabilities primarily associated with classical planners.
• Abstract（参考訳）: ロボット操作のための古典的な動作計画には、与えられた計画を実行するためのシーン固有のコストを最小限に抑える汎用アルゴリズムが含まれている。 このアプローチは、特定のトレーニングデータセットを必要とせずに、新しいシーンを直接棚外で使用できるため、驚くべき適応性を提供します。 しかしながら、与えられたシーンの様々な有効な軌道が何であるかを事前に理解せず、特別に設計されたコスト関数がなければ、全体的なソリューションは成功率が低い傾向にあります。 ディープラーニングベースのアルゴリズムは成功率を大幅に向上させるが、特別なトレーニングデータセットなしでは採用が難しい。 本研究では,古典的かつ深層学習に基づく運動計画の強みを組み合わせることを目的とした,費用対効果に基づく運動計画の拡散であるEDMPを提案する。 拡散ベースのネットワークは多様な運動学的に有効な軌道上で訓練されている。 従来の計画と同様に、推論時に新たなシーンに対して、"コリシオンコスト"のようなシーン固有のコストを計算し、拡散を導き、シーン固有の制約を満たす有効な軌跡を生成する。 さらに,シーン間での多様性を捉えるのに不十分な単一のコスト関数の代わりに,コストのアンサンブルを用いて拡散過程を誘導し,従来のプランナーに比べて成功率を大幅に向上させる。 EDMPはSOTAディープラーニングベースの手法と互換性があり、古典的なプランナーに主に関連する一般化能力を維持している。

関連論文リスト

• Select2Plan: Training-Free ICL-Based Planning through VQA and Memory Retrieval [13.321780469199606]
  Select2Plan(S2P)は,高レベルのロボット計画のためのトレーニング不要のフレームワークである。 構造化された視覚質問応答(VQA)と文脈学習(ICL)を活用することで,データ収集の必要性を大幅に低減する。 従来のファーストパーソンビュー(FPV)とインフラ駆動のサードパーソンビュー(TPV)の2つのシナリオでこのアプローチを実証する。
  論文  参考訳（メタデータ） (2024-11-06T15:44:59Z)
• Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
  そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。 自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。 筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
  論文  参考訳（メタデータ） (2024-07-11T10:35:53Z)
• Potential Based Diffusion Motion Planning [73.593988351275]
  本稿では,潜在的行動計画の学習に向けた新しいアプローチを提案する。 我々はニューラルネットワークを訓練し、運動計画軌跡よりも容易に最適化可能なポテンシャルを捕捉し、学習する。 我々は、その固有の構成可能性を示し、様々な動きの制約に一般化することができる。
  論文  参考訳（メタデータ） (2024-07-08T17:48:39Z)
• Simple Hierarchical Planning with Diffusion [54.48129192534653]
  拡散に基づく生成法は、オフラインデータセットによる軌跡のモデリングに有効であることが証明されている。 階層型および拡散型プランニングの利点を組み合わせた高速かつ驚くほど効果的な計画手法である階層型ディフューザを導入する。 我々のモデルは、より高いレベルで「ジャンピー」な計画戦略を採用しており、より大きな受容場を持つことができるが、計算コストは低い。
  論文  参考訳（メタデータ） (2024-01-05T05:28:40Z)
• Leveraging Scene Embeddings for Gradient-Based Motion Planning in Latent Space [24.95320093765214]
  AMP-LSは、従来の計画ベースラインを桁違いの速度で上回りながら、新しい複雑なシーンで計画できる。 実世界の動的シーンにおける閉ループ計画を実現するのに十分な速度が得られた。
  論文  参考訳（メタデータ） (2023-03-06T18:49:39Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Neural Optimal Transport with General Cost Functionals [66.41953045707172]
  一般費用関数の最適輸送計画を計算するニューラルネットワークに基づく新しいアルゴリズムを提案する。 アプリケーションとして,クラス単位の構造を保ちながら,データ分布をマップするコスト関数を構築した。
  論文  参考訳（メタデータ） (2022-05-30T20:00:19Z)
• Differentiable Spatial Planning using Transformers [87.90709874369192]
  本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。 エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。 SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
  論文  参考訳（メタデータ） (2021-12-02T06:48:16Z)
• PEARL: Parallelized Expert-Assisted Reinforcement Learning for Scene Rearrangement Planning [28.9887381071402]
  SRP(Scene Rearrangement Planning)のための細かいアクション定義を提案し、大規模なシーン再配置データセットを導入する。 また,事前知識を必要とせず,自己演奏を通してエージェントを効果的に訓練するための新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T03:27:16Z)
• Imitative Planning using Conditional Normalizing Flow [2.8978926857710263]
  自律走行車のための動的な都市シナリオにおける軌道計画の一般的な方法は、明確に特定され手作業によるコスト関数に依存することである。 自律走行車(AV)の軌道計画性能向上のための正規化フローの適用について検討する。 軌道プランナーのコスト多様体をエネルギー関数としてモデル化することにより、AV制御空間上のボルツマン分布以前のシーン条件付き写像を学習する。
  論文  参考訳（メタデータ） (2020-07-31T16:32:23Z)

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。