論文の概要: Keypoint-based Diffusion for Robotic Motion Planning on the NICOL Robot

• arxiv url: http://arxiv.org/abs/2509.04076v1
• Date: Thu, 04 Sep 2025 10:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.126838
• Title: Keypoint-based Diffusion for Robotic Motion Planning on the NICOL Robot
• Title（参考訳）: NICOLロボットにおけるキーポイントによるロボット運動計画の拡散
• Authors: Lennart Clasmeier, Jan-Gerrit Habekost, Connor Gäde, Philipp Allgeuer, Stefan Wermter,
• Abstract要約: 本稿では,ロボット動作計画のための新しい拡散型アクションモデルを提案する。 ディープラーニングのパワーを活用することで、はるかに小さなランタイムで良い結果を得ることができるのです。
• 参考スコア（独自算出の注目度）: 7.239128729983817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel diffusion-based action model for robotic motion planning. Commonly, established numerical planning approaches are used to solve general motion planning problems, but have significant runtime requirements. By leveraging the power of deep learning, we are able to achieve good results in a much smaller runtime by learning from a dataset generated by these planners. While our initial model uses point cloud embeddings in the input to predict keypoint-based joint sequences in its output, we observed in our ablation study that it remained challenging to condition the network on the point cloud embeddings. We identified some biases in our dataset and refined it, which improved the model's performance. Our model, even without the use of the point cloud encodings, outperforms numerical models by an order of magnitude regarding the runtime, while reaching a success rate of up to 90% of collision free solutions on the test set.
• Abstract（参考訳）: 本稿では,ロボット動作計画のための新しい拡散型アクションモデルを提案する。 一般に、一般的な動き計画の問題を解決するために確立された数値計画手法が用いられるが、実行時要求は大きい。 ディープラーニングのパワーを活用することで、これらのプランナーが生成したデータセットから学習することで、はるかに小さなランタイムで優れた結果を得ることができるのです。 我々の初期モデルは入力に点雲の埋め込みを用い、その出力にキーポイントベースのジョイントシーケンスを予測するが、我々のアブレーション研究では点雲の埋め込みにネットワークを組み込むのが困難であることを観察した。 データセットのいくつかのバイアスを特定し、それを洗練し、モデルの性能を改善しました。 我々のモデルは、ポイントクラウドエンコーディングを使わずとも、実行時に関する桁違いの数値モデルよりも優れ、テストセット上での衝突のない解の最大90%の成功率に達する。

関連論文リスト

• Real-Time Model Checking for Closed-Loop Robot Reactive Planning [0.0]
  本稿では,実自律ロボットにおいて,リアルタイムなマルチステップ計画と障害物回避を実現するモデル検査の新たな応用を提案する。 我々は,生物エージェントに見られる「中核的」知識と注意に基づいて,その場で計画を生成する,小型で汎用的なモデル検査アルゴリズムを開発した。 当社のアプローチは, 局所環境の障害に対処するために発生する一時制御系をチェーン化することに基づいている。
  論文  参考訳（メタデータ） (2025-08-26T16:49:30Z)
• Action Flow Matching for Continual Robot Learning [57.698553219660376]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [61.145371212636505]
  強化学習(Reinforcement Learning, RL)は、試行錯誤と最適制御を通じてポリシーを学習し、学習または既知の力学モデルを用いてアクションを計画する。 異なる品質のデータセットを用いて、異なるRLおよび制御に基づく手法の性能を系統的に解析する。 モデルベースプランニングは,新しい環境レイアウト,トラジェクトリー縫合,データ効率などへの一般化に優れる。
  論文  参考訳（メタデータ） (2025-02-20T18:39:41Z)
• Adaptive Planning with Generative Models under Uncertainty [20.922248169620783]
  生成モデルによる計画は、幅広い領域にわたる効果的な意思決定パラダイムとして現れてきた。 最新の環境観測に基づいて決定を下すことができるため、各段階での継続的再計画は直感的に思えるかもしれないが、かなりの計算上の課題をもたらす。 本研究は,長軸状態軌跡を予測できる生成モデルの能力を活用する,シンプルな適応計画手法を導入することで,この問題に対処する。
  論文  参考訳（メタデータ） (2024-08-02T18:07:53Z)
• Learning-based adaption of robotic friction models [50.72489248401199]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• 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)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
  時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。 本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
  論文  参考訳（メタデータ） (2021-06-14T04:31:15Z)
• Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
  学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。 本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。 提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:42:59Z)
• Goal-Directed Planning for Habituated Agents by Active Inference Using a Variational Recurrent Neural Network [5.000272778136268]
  本研究では, 予測符号化(PC)とアクティブ推論(AIF)フレームワークが, 低次元潜在状態空間における事前分布を学習することにより, より優れた一般化を実現できることを示す。 提案モデルでは, 最適潜伏変数を推定し, 実験結果の最小化のためのシナプス重みを推定することにより学習を行う。 提案手法は,シミュレーションにおけるロボットタスクと複雑なロボットタスクの両方を用いて評価し,限られた学習データを用いた学習における十分な一般化を実証した。
  論文  参考訳（メタデータ） (2020-05-27T06:43:59Z)

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。