論文の概要: Improving Trajectory Stitching with Flow Models

• arxiv url: http://arxiv.org/abs/2505.07802v1
• Date: Mon, 12 May 2025 17:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.532095
• Title: Improving Trajectory Stitching with Flow Models
• Title（参考訳）: 流れモデルによる軌道スティッチの改善
• Authors: Reece O'Mahoney, Wanming Yu, Ioannis Havoutis,
• Abstract要約: 生成モデルは、複雑な分布と誘導可能な推論過程をモデル化することへの親和性から、軌道プランナーとして大きな可能性を示してきた。 従来の研究はロボット操作の文脈でこれをうまく応用したが、必要なソリューションがトレーニングセット内の完全な軌道として存在しない場合、性能は良くない。 これは、縫合によって計画できない結果であり、その後、これを改善するのに必要なアーキテクチャとデータセットの選択に対処する。 本稿では,これらの能力の安定と向上を両立させるためのトレーニングおよび推論手順の新たな追加を提案する。
• 参考スコア（独自算出の注目度）: 10.660338539483813
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models have shown great promise as trajectory planners, given their affinity to modeling complex distributions and guidable inference process. Previous works have successfully applied these in the context of robotic manipulation but perform poorly when the required solution does not exist as a complete trajectory within the training set. We identify that this is a result of being unable to plan via stitching, and subsequently address the architectural and dataset choices needed to remedy this. On top of this, we propose a novel addition to the training and inference procedures to both stabilize and enhance these capabilities. We demonstrate the efficacy of our approach by generating plans with out of distribution boundary conditions and performing obstacle avoidance on the Franka Panda in simulation and on real hardware. In both of these tasks our method performs significantly better than the baselines and is able to avoid obstacles up to four times as large.
• Abstract（参考訳）: 生成モデルは、複雑な分布と誘導可能な推論過程をモデル化することへの親和性から、軌道プランナーとして大きな可能性を示してきた。 従来の研究はロボット操作の文脈でこれをうまく応用したが、必要なソリューションがトレーニングセット内の完全な軌道として存在しない場合、性能は良くない。 これは、縫合によって計画できない結果であり、その後、これを改善するのに必要なアーキテクチャとデータセットの選択に対処する。 そこで本研究では,これらの能力の安定と向上を両立させるトレーニングおよび推論手順の新たな追加を提案する。 本研究では,Franka Panda のシミュレーションおよび実ハードウェア上で,分散境界条件を満たさない計画を作成し,障害物回避を行うことにより,本手法の有効性を実証する。 どちらのタスクでも,本手法はベースラインよりも大幅に優れており,最大4倍の障害物を回避できる。

関連論文リスト

• Unsupervised Parameter Efficient Source-free Post-pretraining [52.27955794126508]
  教師なしのUpStepを紹介します。 ソースドメインからターゲットドメインへのベースモデルを適応するための、ソースフリーのポストプレトレーニングアプローチ。 私たちは、Imagenetをベースモデルとして、教師付きおよび教師なしの両方でトレーニングされた、さまざまな一般的なバックボーンアーキテクチャを使用します。
  論文  参考訳（メタデータ） (2025-02-28T18:54:51Z)
• GenPlan: Generative Sequence Models as Adaptive Planners [0.0]
  シーケンスモデルは、以前に収集されたデモを活用することで、行動計画において顕著な成功を収めた。 しかし、特にプランナーが目に見えない制約やタスクに適応しなければならない場合、マルチタスクミッションの解決は重要な課題である。 本稿では,適応型プランナのための離散フローモデルGenPlanを提案する。
  論文  参考訳（メタデータ） (2024-12-11T17:32:33Z)
• Boosting Alignment for Post-Unlearning Text-to-Image Generative Models [55.82190434534429]
  大規模な生成モデルは、大量のデータによって推進される印象的な画像生成能力を示している。 これはしばしば必然的に有害なコンテンツや不適切なコンテンツを生み出し、著作権の懸念を引き起こす。 学習しない反復ごとに最適なモデル更新を求めるフレームワークを提案し、両方の目的に対して単調な改善を確実にする。
  論文  参考訳（メタデータ） (2024-12-09T21:36:10Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• DTC: Deep Tracking Control [16.2850135844455]
  本研究では,両世界の強靭性,フット配置精度,地形の一般化を両世界の利点と組み合わせたハイブリッド制御アーキテクチャを提案する。 深層ニューラルネットワークポリシは、最適化された足場を追跡することを目的として、シミュレーションでトレーニングされている。 モデルベースに比べて滑りやすい地盤や変形可能な地盤が存在する場合の強靭性を示す。
  論文  参考訳（メタデータ） (2023-09-27T07:57:37Z)
• Reaching Through Latent Space: From Joint Statistics to Path Planning in Manipulation [26.38185646091712]
  本稿では,ロボットマニピュレータのための経路計画手法を提案する。 経路は、ロボットのポーズ生成モデルの潜在空間における反復的最適化によって生成される。 我々のモデルはランダムにサンプリングされたロボットのポーズに基づいてタスク非依存で訓練されている。
  論文  参考訳（メタデータ） (2022-10-21T07:25:21Z)
• Robust Reinforcement Learning under model misspecification [8.607994365031175]
  強化学習は近年,幅広いタスクにおいて顕著な成果を上げている。 そのうちの1つはモデルミス仕様化であり、エージェントが異なる遷移ダイナミクスを持つ環境でトレーニングされ、デプロイされる状況である。 このジレンマに対処するために,歴史軌跡と部分可観測マルコフ決定過程モデルを用いた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-29T06:48:26Z)
• Continuous Transition: Improving Sample Efficiency for Continuous Control Problems via MixUp [119.69304125647785]
  本稿では,連続的遷移を構築するための簡潔かつ強力な手法を提案する。 具体的には、連続的な遷移を線形に補間することにより、トレーニングのための新しい遷移を合成することを提案する。 また, 建設過程を自動案内する判別器を開発した。
  論文  参考訳（メタデータ） (2020-11-30T01:20:23Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。