論文の概要: Train-Once Plan-Anywhere Kinodynamic Motion Planning via Diffusion Trees

• arxiv url: http://arxiv.org/abs/2508.21001v2
• Date: Fri, 05 Sep 2025 15:50:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.279286
• Title: Train-Once Plan-Anywhere Kinodynamic Motion Planning via Diffusion Trees
• Title（参考訳）: 拡散木を用いた列車走行計画-動的運動計画
• Authors: Yaniv Hassidof, Tom Jurgenson, Kiril Solovey,
• Abstract要約: Diffusion Tree(ディフュージョンツリー、DiTree)は、拡散ポリシー(DP)を利用して、状態空間探索を効率的にガイドする、証明可能な一般化可能なフレームワークである。 本稿では,一般的なRRTプランナとDPアクションサンプリング器を組み合わせた実装により,DiTreeのパワーを実証する。
• 参考スコア（独自算出の注目度）: 3.865413902596487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Kinodynamic motion planning is concerned with computing collision-free trajectories while abiding by the robot's dynamic constraints. This critical problem is often tackled using sampling-based planners (SBPs) that explore the robot's high-dimensional state space by constructing a search tree via action propagations. Although SBPs can offer global guarantees on completeness and solution quality, their performance is often hindered by slow exploration due to uninformed action sampling. Learning-based approaches can yield significantly faster runtimes, yet they fail to generalize to out-of-distribution (OOD) scenarios and lack critical guarantees, e.g., safety, thus limiting their deployment on physical robots. We present Diffusion Tree (DiTree): a provably-generalizable framework leveraging diffusion policies (DPs) as informed samplers to efficiently guide state-space search within SBPs. DiTree combines DP's ability to model complex distributions of expert trajectories, conditioned on local observations, with the completeness of SBPs to yield provably-safe solutions within a few action propagation iterations for complex dynamical systems. We demonstrate DiTree's power with an implementation combining the popular RRT planner with a DP action sampler trained on a single environment. In comprehensive evaluations on OOD scenarios, DiTree achieves on average a 30% higher success rate compared to standalone DP or SBPs, on a dynamic car and Mujoco's ant robot settings (for the latter, SBPs fail completely). Beyond simulation, real-world car experiments confirm DiTree's applicability, demonstrating superior trajectory quality and robustness even under severe sim-to-real gaps. Project webpage: https://sites.google.com/view/ditree.
• Abstract（参考訳）: キノダイナミック・モーション・プランニングは、ロボットのダイナミックな制約に順応しながら、衝突のない軌道の計算に関係している。 この重要な問題は、ロボットの高次元状態空間を探索するサンプリングベースプランナー(SBP)を用いて、行動伝搬を通して探索木を構築することで、しばしば取り組まれる。 SBPは完全性とソリューション品質のグローバルな保証を提供することができるが、その性能はインフォームド・アクション・サンプリングによる遅い探索によって妨げられることが多い。 学習ベースのアプローチは実行速度が大幅に向上するが、オフ・オブ・ディストリビューション(OOD)シナリオへの一般化に失敗し、安全性などの重要な保証が欠如しているため、物理的なロボットへのデプロイメントが制限される。 拡散木(Diffusion Tree, DiTree): 拡散ポリシー(DP)を情報サンプリングとして活用し、SBP内の状態空間探索を効率的に導く。 DiTreeは、専門家軌道の複雑な分布をモデル化するDPの能力と、SBPの完全性を組み合わせることで、複雑な力学系に対する数回の行動伝播イテレーションにおいて、証明可能な安全な解が得られる。 本稿では,一般的なRRTプランナとDPアクションサンプリング器を組み合わせた実装により,DiTreeのパワーを実証する。 OODシナリオの総合的な評価において、DiTreeは、動的車とMujocoのアリロボット設定(後者の場合、SBPは完全に失敗)において、スタンドアローンのDPやSBPと比べて平均30%高い成功率を達成する。 シミュレーション以外にも、現実世界の自動車実験はDiTreeの適用性を確認し、厳密なシミュレート・トゥ・リアル・ギャップの下でさえ優れた軌道品質とロバスト性を示す。 プロジェクトWebページ: https://sites.google.com/view/ditree.com

関連論文リスト

• Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
  マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。 離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。 本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
  論文  参考訳（メタデータ） (2025-08-27T17:59:36Z)
• TreePO: Bridging the Gap of Policy Optimization and Efficacy and Inference Efficiency with Heuristic Tree-based Modeling [65.46347858249295]
  TreePOは自己誘導型ロールアウトアルゴリズムで、シーケンス生成を木構造検索プロセスとして見る。 TreePOは基本的に、探索の多様性を保存または強化しながら、更新毎の計算負担を削減します。
  論文  参考訳（メタデータ） (2025-08-24T16:52:37Z)
• Tree-based Learning for High-Fidelity Prediction of Chaos [0.2999888908665658]
  TreeDOXは、カオスシステムのモデルフリー予測に対するツリーベースのアプローチである。 時間遅延オーバー埋め込みを明示的な短期記憶として使用し、Extra-Trees Regressorsを使用して機能の削減と予測を行う。 我々はHenon map, Lorenz and Kuramoto-Sivashinsky system, and the real-world Southern Oscillation Indexを用いてTreeDOXの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-03-12T01:16:29Z)
• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)
• Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
  Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。 Tree-Plannerは高い効率を維持しながら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） (2023-10-12T17:59:50Z)
• Adaptive Discretization using Voronoi Trees for Continuous-Action POMDPs [7.713622698801596]
  我々は,Voronoi Trees (ADVT) を用いた適応離散化(Adaptive Discretization)と呼ばれる新しいサンプリングベースのオンラインPOMDPソルバを提案する。 ADVTはモンテカルロ木探索とアクション空間の適応的な離散化と楽観的な最適化を併用する。 4種類のベンチマーク問題のシミュレーション実験により、ADVTは高次元連続行動空間よりも優れ、スケールがかなり優れていることが示されている。
  論文  参考訳（メタデータ） (2022-09-13T05:04:49Z)
• Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy [48.51396198176273]
  本研究では,大規模自律飛行とリアルタイムセマンティックマッピングを,挑戦的なアンダーキャノピー環境下で実現可能な統合システムを提案する。 我々は、スキャン全体で関連付けられ、木のトランクモデルと同様にロボットのポーズを制約するために使用されるLiDARデータから、木の幹と地面の平面を検出し、モデル化する。 ドリフト補償機構は、プランナー最適性とコントローラ安定性を維持しつつ、セマンティックSLAM出力を用いたドリフトをリアルタイムで最小化するように設計されている。
  論文  参考訳（メタデータ） (2021-09-14T07:24:53Z)
• Autonomous UAV Exploration of Dynamic Environments via Incremental Sampling and Probabilistic Roadmap [0.3867363075280543]
  インクリメンタルサンプリングと確率的ロードマップ(PRM)を用いた未知環境探索のための新しい動的探索プランナ(DEP)を提案する。 本手法は, 動的環境を安全に探索し, 探索時間, 経路長, 計算時間でベンチマークプランナーより優れている。
  論文  参考訳（メタデータ） (2020-10-14T22:52:37Z)

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。