論文の概要: Diffusion-based Planning with Learned Viability Filters

• arxiv url: http://arxiv.org/abs/2502.19564v1
• Date: Wed, 26 Feb 2025 21:08:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:55:58.879880
• Title: Diffusion-based Planning with Learned Viability Filters
• Title（参考訳）: 学習型可視度フィルタを用いた拡散型計画法
• Authors: Nicholas Ioannidis, Daniele Reda, Setareh Cohan, Michiel van de Panne,
• Abstract要約: 我々は,任意の計画の今後の成功を効率的に予測する学習可能フィルタを提案する。 本研究では, 適応型拡散予測よりも, 可視性フィルタの使用がはるかに高速であることを示す。
• 参考スコア（独自算出の注目度）: 7.361318306105254
• License:
• Abstract: Diffusion models can be used as a motion planner by sampling from a distribution of possible futures. However, the samples may not satisfy hard constraints that exist only implicitly in the training data, e.g., avoiding falls or not colliding with a wall. We propose learned viability filters that efficiently predict the future success of any given plan, i.e., diffusion sample, and thereby enforce an implicit future-success constraint. Multiple viability filters can also be composed together. We demonstrate the approach on detailed footstep planning for challenging 3D human locomotion tasks, showing the effectiveness of viability filters in performing online planning and control for box-climbing, step-over walls, and obstacle avoidance. We further show that using viability filters is significantly faster than guidance-based diffusion prediction.
• Abstract（参考訳）: 拡散モデルは、将来の可能性のある分布からサンプリングすることで、運動プランナーとして利用することができる。 しかし、サンプルはトレーニングデータに暗黙的にしか存在しない厳しい制約を満たさないかもしれない。 本研究では,任意の計画,すなわち拡散サンプルの将来の成功を効果的に予測し,その結果,暗黙の未来の制約を強制する学習された生存可能性フィルタを提案する。 複数の可視性フィルタも組み合わせることができる。 本研究は,3次元移動課題に対する詳細な足場計画のアプローチを実証し,ボックスクライミング,ステップオーバー壁,障害物回避のためのオンライン計画および制御を行う上での可視性フィルタの有効性を示した。 さらに,可視性フィルタの使用は,ガイダンスに基づく拡散予測よりもはるかに高速であることを示す。

関連論文リスト

• Diffusion Predictive Control with Constraints [51.91057765703533]
  制約付き拡散予測制御(DPCC) トレーニングデータから逸脱可能な、明示的な状態と行動制約を持つ拡散制御アルゴリズム。 DPCCは,学習した制御タスクの性能を維持しつつ,新しいテスト時間制約を満たす上で,既存の手法よりも優れるロボットマニピュレータのシミュレーションを通して示す。
  論文  参考訳（メタデータ） (2024-12-12T15:10:22Z)
• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• Diffusion Meets Options: Hierarchical Generative Skill Composition for Temporally-Extended Tasks [12.239868705130178]
  線形時間論理(LTL)によって規定された命令に基づいて計画の生成と更新を行うデータ駆動階層型フレームワークを提案する。 提案手法は,オフラインの非専門家データセットから階層的強化学習を用いて,時間的タスクを選択肢の連鎖に分解する。 バッチ生成における行列誘導後サンプリング手法を考案し,拡散生成オプションの速度と多様性を向上する。
  論文  参考訳（メタデータ） (2024-10-03T11:10:37Z)
• Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
  拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。 因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
  論文  参考訳（メタデータ） (2024-07-01T15:43:25Z)
• Diffusion-ES: Gradient-free Planning with Diffusion for Autonomous Driving and Zero-Shot Instruction Following [21.81411085058986]
  Reward-gradient guided denoisingは、微分可能報酬関数と拡散モデルによって捕捉されたデータ分布下での確率の両方を最大化する軌道を生成する。 そこで我々は,勾配のない最適化と軌道デノゲーションを組み合わせたDiffusionESを提案する。 DiffusionESは、自動運転のための確立されたクローズドループ計画ベンチマークであるnuPlan上で、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-09T17:18:33Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• Motion Planning Diffusion: Learning and Planning of Robot Motions with Diffusion Models [14.171207239507789]
  新しい計画問題の先駆者として軌道生成モデルを学習することが極めて望ましい。 本研究では,移動計画問題のブートストラッピングに先立って,学習拡散モデルを提案する。 本研究では,ロボット運動の高次元軌跡分布を符号化する拡散モデルについて検討した。
  論文  参考訳（メタデータ） (2023-08-03T06:36:21Z)
• SafeDiffuser: Safe Planning with Diffusion Probabilistic Models [97.80042457099718]
  拡散モデルに基づくアプローチは、データ駆動計画において有望であるが、安全保証はない。 我々は,拡散確率モデルが仕様を満たすことを保証するために,SafeDiffuserと呼ばれる新しい手法を提案する。 提案手法は,迷路経路の生成,足歩行ロボットの移動,空間操作など,安全な計画作業の一連のテストを行う。
  論文  参考訳（メタデータ） (2023-05-31T19:38:12Z)
• Truncated Diffusion Probabilistic Models and Diffusion-based Adversarial Auto-Encoders [137.1060633388405]
  拡散に基づく生成モデルは、逆拡散連鎖を推論してデータを生成する方法を学ぶ。 我々は、データが純粋なランダムノイズになるまで、より高速で安価にノイズを付加するアプローチを提案する。 提案手法は,拡散過程と学習可能な暗黙的前処理の両方によって付与された逆自動エンコーダとしてキャスト可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-19T20:18:49Z)
• Long-term Pedestrian Trajectory Prediction using Mutable Intention Filter and Warp LSTM [3.2059799592315787]
  軌道予測は、ロボットが歩行者を安全にナビゲートし、操作するための重要な能力の1つだ。 本研究では,人間の意図を推定し,軌道予測を行うために,ミュータブルインテンションフィルタとワープLSTMを組み込んだフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-30T21:23:00Z)

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。