論文の概要: Diffusion-Guided Multi-Arm Motion Planning

• arxiv url: http://arxiv.org/abs/2509.08160v1
• Date: Tue, 09 Sep 2025 21:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.25599
• Title: Diffusion-Guided Multi-Arm Motion Planning
• Title（参考訳）: 拡散誘導多関節運動計画
• Authors: Viraj Parimi, Brian C. Williams,
• Abstract要約: 本稿では,学習モデルの拡張性を高める拡散誘導型マルチアームプランナ(DG-MAP)を提案する。 我々は2つの条件付き拡散モデルを訓練し、1つは実現可能な単腕軌道、もう1つは効果的な対角衝突分解に必要な双腕動力学をモデル化する。 これらの特殊な生成モデルをMAPFにインスパイアされた構造分解に組み込むことで、プランナーは効率的により多くのアームにスケールできる。
• 参考スコア（独自算出の注目度）: 3.7347677698423536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-arm motion planning is fundamental for enabling arms to complete complex long-horizon tasks in shared spaces efficiently but current methods struggle with scalability due to exponential state-space growth and reliance on large training datasets for learned models. Inspired by Multi-Agent Path Finding (MAPF), which decomposes planning into single-agent problems coupled with collision resolution, we propose a novel diffusion-guided multi-arm planner (DG-MAP) that enhances scalability of learning-based models while reducing their reliance on massive multi-arm datasets. Recognizing that collisions are primarily pairwise, we train two conditional diffusion models, one to generate feasible single-arm trajectories, and a second, to model the dual-arm dynamics required for effective pairwise collision resolution. By integrating these specialized generative models within a MAPF-inspired structured decomposition, our planner efficiently scales to larger number of arms. Evaluations against alternative learning-based methods across various team sizes demonstrate our method's effectiveness and practical applicability. Project website can be found at https://diff-mapf-mers.csail.mit.edu
• Abstract（参考訳）: マルチアーム・モーション・プランニングは、共有空間における複雑な長距離タスクを効率的に完了させるのに欠かせないが、現在の手法は、指数的な状態空間の成長と学習モデルのための大規模なトレーニングデータセットへの依存によりスケーラビリティに苦慮している。 衝突分解に伴う単一エージェント問題に分割したマルチエージェントパス探索(MAPF)に着想を得て,大規模マルチアームデータセットへの依存を低減しつつ,学習モデルの拡張性を向上させる新しい拡散誘導マルチアームプランナ(DG-MAP)を提案する。 衝突が主にペアワイズであることを認識して、2つの条件拡散モデルを訓練し、1つは実現可能な単腕軌道を発生させ、もう1つは効果的なペアワイズ衝突分解に必要な双腕ダイナミックスをモデル化する。 これらの特殊な生成モデルをMAPFにインスパイアされた構造分解に組み込むことで、プランナーはより多くのアームに効率的にスケールできる。 様々なチーム規模の代替学習手法に対する評価は、我々の方法の有効性と実用性を示している。 プロジェクトのWebサイトはhttps://diff-mapf-mers.csail.mit.eduにある。

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)
• Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
  本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
  論文  参考訳（メタデータ） (2025-08-18T02:42:16Z)
• Latent Diffusion Planning for Imitation Learning [78.56207566743154]
  Latent Diffusion Planning (LDP) は、プランナーと逆ダイナミクスモデルからなるモジュラーアプローチである。 行動予測からプランニングを分離することにより、LDPは最適なデータと行動自由データのより密集した監視信号の恩恵を受けることができる。 シミュレーションされた視覚ロボット操作タスクにおいて、LDPは最先端の模倣学習アプローチより優れている。
  論文  参考訳（メタデータ） (2025-04-23T17:53:34Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
  大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。 本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。 特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-14T07:16:18Z)
• MADiff: Offline Multi-agent Learning with Diffusion Models [79.18130544233794]
  MADiffは拡散型マルチエージェント学習フレームワークである。 分散ポリシと集中型コントローラの両方として機能する。 実験の結果,MADiffは様々なマルチエージェント学習タスクにおいて,ベースラインアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-27T02:14:09Z)

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。