論文の概要: ReSeFlow: Rectifying SE(3)-Equivariant Policy Learning Flows

• arxiv url: http://arxiv.org/abs/2509.22695v1
• Date: Sat, 20 Sep 2025 06:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.798594
• Title: ReSeFlow: Rectifying SE(3)-Equivariant Policy Learning Flows
• Title（参考訳）: ReSeFlow: SE(3)-等価な政策学習フローの定式化
• Authors: Zhitao Wang, Yanke Wang, Jiangtao Wen, Roberto Horowitz, Yuxing Han,
• Abstract要約: 本稿では, SE(3)-拡散モデルに補正を導入し, 高速かつジオデシックな, 最小計算型ポリシー生成を提供するReSeFlowを提案する。 提案したReSeFlowは,提案手法よりも測地距離が低い場合に高い性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 7.360373380580255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic manipulation in unstructured environments requires the generation of robust and long-horizon trajectory-level policy with conditions of perceptual observations and benefits from the advantages of SE(3)-equivariant diffusion models that are data-efficient. However, these models suffer from the inference time costs. Inspired by the inference efficiency of rectified flows, we introduce the rectification to the SE(3)-diffusion models and propose the ReSeFlow, i.e., Rectifying SE(3)-Equivariant Policy Learning Flows, providing fast, geodesic-consistent, least-computational policy generation. Crucially, both components employ SE(3)-equivariant networks to preserve rotational and translational symmetry, enabling robust generalization under rigid-body motions. With the verification on the simulated benchmarks, we find that the proposed ReSeFlow with only one inference step can achieve better performance with lower geodesic distance than the baseline methods, achieving up to a 48.5% error reduction on the painting task and a 21.9% reduction on the rotating triangle task compared to the baseline's 100-step inference. This method takes advantages of both SE(3) equivariance and rectified flow and puts it forward for the real-world application of generative policy learning models with the data and inference efficiency.
• Abstract（参考訳）: 非構造環境におけるロボット操作は、データ効率のSE(3)-同変拡散モデルの利点から、知覚的観察条件と利点を持つ頑健で長い水平軌道レベルのポリシーを生成する必要がある。 しかし、これらのモデルは推論時間コストに悩まされる。 整流流の推論効率に着想を得て,SE(3)拡散モデルに整流を導入し,ReSeFlow(Rectifying SE(3)-Equivariant Policy Learning Flows)を提案する。 重要なことに、両方の成分はSE(3)-同変ネットワークを用いて回転対称性と翻訳対称性を保ち、剛体運動の下で堅牢な一般化を可能にする。 模擬ベンチマークの検証により,提案したReSeFlowの測地距離を基準法よりも低くすることで,絵画の誤差を最大48.5%低減し,回転三角形タスクを100ステップ推定よりも21.9%低減できることがわかった。 この方法はSE(3)等分散と整流の両方の利点を生かし、データと推論効率を備えた生成ポリシー学習モデルの現実的な応用を推し進める。

関連論文リスト

• TOAST: Task-Oriented Adaptive Semantic Transmission over Dynamic Wireless Environments [3.3107717550009865]
  TOAST(Task-Oriented Adaptive Semantic Transmission)は、無線環境におけるマルチタスク最適化の課題を解決するために設計された統合フレームワークである。 我々はマルコフ決定過程として適応的タスクバランスを定式化し、画像再構成の忠実度と意味分類の精度のトレードオフを動的に調整するために深層強化学習を用いる。 モジュール固有のLow-Rank Adaptation(LoRA)機構を,Swin Transformerベースのジョイントソースチャネル符号化アーキテクチャ全体に統合する。
  論文  参考訳（メタデータ） (2025-06-27T04:36:30Z)
• Flow-GRPO: Training Flow Matching Models via Online RL [75.70017261794422]
  本稿では,オンライン強化学習(RL)をフローマッチングモデルに統合する最初の方法であるFlow-GRPOを提案する。 提案手法では, 1 つの主要な戦略を用いる:(1) 決定論的正規方程式 (ODE) を, 1 つの時点における原モデルの限界分布に一致する等価な微分方程式 (SDE) に変換するODE-to-SDE 変換と、(2) 元の推論タイムステップ数を保ちながらトレーニングの段階を減らし,
  論文  参考訳（メタデータ） (2025-05-08T17:58:45Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Adaptive Anomaly Detection in Network Flows with Low-Rank Tensor Decompositions and Deep Unrolling [9.20186865054847]
  異常検出(AD)は、将来の通信システムのレジリエンスを確保するための重要な要素として、ますます認識されている。 この研究は、不完全測定を用いたネットワークフローにおけるADについて考察する。 本稿では,正規化モデル適合性に基づくブロック帰属凸近似アルゴリズムを提案する。 ベイズ的アプローチに触発されて、我々はモデルアーキテクチャを拡張し、フローごとのオンライン適応とステップごとの統計処理を行う。
  論文  参考訳（メタデータ） (2024-09-17T19:59:57Z)
• Rational-WENO: A lightweight, physically-consistent three-point weighted essentially non-oscillatory scheme [14.120671138290104]
  我々は、解の局所的な滑らかさを正確に推定するために有理ニューラルネットワークを用いる。 この手法は, 散逸を著しく低減した粒度の再構築を実現する。 提案手法の有効性を,数個の1次元,2次元,3次元の流体問題に対して示す。
  論文  参考訳（メタデータ） (2024-09-13T22:11:03Z)
• SE(3) Diffusion Model-based Point Cloud Registration for Robust 6D Object Pose Estimation [66.16525145765604]
  実世界のシナリオにおける6次元オブジェクトポーズ推定のためのSE(3)拡散モデルに基づく点クラウド登録フレームワークを提案する。 提案手法は,3次元登録タスクをデノナイズ拡散過程として定式化し,音源雲の姿勢を段階的に洗練する。 実世界のTUD-L, LINEMOD, およびOccluded-LINEMODデータセットにおいて, 拡散登録フレームワークが顕著なポーズ推定性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-26T12:47:26Z)

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。