論文の概要: Flow-Opt: Scalable Centralized Multi-Robot Trajectory Optimization with Flow Matching and Differentiable Optimization
- arxiv url: http://arxiv.org/abs/2510.09204v1
- Date: Fri, 10 Oct 2025 09:43:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 00:38:48.610394
- Title: Flow-Opt: Scalable Centralized Multi-Robot Trajectory Optimization with Flow Matching and Differentiable Optimization
- Title（参考訳）: Flow-Opt:フローマッチングと微分可能な最適化によるスケーラブル集中型マルチロボット軌道最適化
- Authors: Simon Idoko, Arun Kumar Singh,
- Abstract要約: Flow-Optは、集中型マルチロボット軌道最適化の計算トラクタビリティ向上のための学習ベースのアプローチである。
我々は,数ミリ秒で散在する環境下で,数十個のロボットの軌跡を生成できることを実証した。
また,提案手法は,競合するベースラインよりも高速にスムーズな軌道列を生成する。
- 参考スコア（独自算出の注目度）: 2.4149533870085174
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Centralized trajectory optimization in the joint space of multiple robots allows access to a larger feasible space that can result in smoother trajectories, especially while planning in tight spaces. Unfortunately, it is often computationally intractable beyond a very small swarm size. In this paper, we propose Flow-Opt, a learning-based approach towards improving the computational tractability of centralized multi-robot trajectory optimization. Specifically, we reduce the problem to first learning a generative model to sample different candidate trajectories and then using a learned Safety-Filter(SF) to ensure fast inference-time constraint satisfaction. We propose a flow-matching model with a diffusion transformer (DiT) augmented with permutation invariant robot position and map encoders as the generative model. We develop a custom solver for our SF and equip it with a neural network that predicts context-specific initialization. The initialization network is trained in a self-supervised manner, taking advantage of the differentiability of the SF solver. We advance the state-of-the-art in the following respects. First, we show that we can generate trajectories of tens of robots in cluttered environments in a few tens of milliseconds. This is several times faster than existing centralized optimization approaches. Moreover, our approach also generates smoother trajectories orders of magnitude faster than competing baselines based on diffusion models. Second, each component of our approach can be batched, allowing us to solve a few tens of problem instances in a fraction of a second. We believe this is a first such result; no existing approach provides such capabilities. Finally, our approach can generate a diverse set of trajectories between a given set of start and goal locations, which can capture different collision-avoidance behaviors.
- Abstract（参考訳）: 複数のロボットの関節空間における集中トラジェクトリ最適化は、特に狭い空間での計画において、よりスムーズなトラジェクトリをもたらす大きな実現可能な空間へのアクセスを可能にする。
残念なことに、非常に小さなスワムサイズを超えて計算的に難解であることが多い。
本稿では,集中型マルチロボット軌道最適化の計算トラクタビリティ向上のための学習ベースアプローチであるFlow-Optを提案する。
具体的には、まず生成モデルを学習し、異なる候補軌道をサンプリングし、次に学習した安全フィルタ(SF)を用いて高速な推論時間制約満足度を確保する。
本研究では,拡散変圧器(DiT)を用いたフローマッチングモデルを提案する。
我々は、SFのためのカスタムソルバを開発し、文脈固有の初期化を予測するニューラルネットワークに装備する。
初期化ネットワークはSFソルバの微分可能性を利用して自己教師型で訓練される。
我々は以下の点において最先端を推し進める。
まず,数ミリ秒で散らばった環境下で,数十個のロボットの軌道を生成することができることを示す。
これは、既存の集中型最適化アプローチの何倍も高速である。
さらに, 拡散モデルに基づいて, 競合するベースラインよりもスムーズなトラジェクトリ順序を生成する。
第二に、アプローチの各コンポーネントはバッチ化可能で、数個の問題インスタンスをほんの数秒で解決できます。
既存のアプローチではそのような機能を提供していません。
最後に、本手法は、所定の開始位置と目標位置の間の様々な軌道を生成でき、異なる衝突回避挙動を捉えることができる。
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) - Swarm-Gen: Fast Generation of Diverse Feasible Swarm Behaviors [9.77508443944225]
ロボット群における協調行動は本質的にはマルチモーダルである。
本稿では,生成モデルと安全フィルタ(SF)を組み合わせることで,多種多様かつ実現可能なSwarm動作を生成する。
我々は、数ミリ秒以内で、多様なスワムの挙動をシミュレートし、多モードで実現可能な軌道を多数生成できることを示す。
論文 参考訳（メタデータ） (2025-01-31T11:13:09Z) - 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) - DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
生成拡散モデルは、様々なクロスドメインアプリケーションで人気がある。
これらのモデルは複雑なネットワーク最適化問題に対処する上で有望である。
本稿では拡散モデルに基づく解生成という,拡散モデル生成のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-13T07:56:21Z) - Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。
具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。
バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
論文 参考訳（メタデータ） (2024-05-27T22:15:23Z) - Tensor Train for Global Optimization Problems in Robotics [6.702251803443858]
多くの数値最適化手法の収束は、解法に与えられる初期推定に大きく依存する。
本稿では,グローバルオプティマ付近で既存の最適化解法を初期化するための手法を用いた新しい手法を提案する。
提案手法は,グローバル・オプティマに近づいたサンプルを複数モードで生成できることを示す。
論文 参考訳（メタデータ） (2022-06-10T13:18:26Z) - Joint inference and input optimization in equilibrium networks [68.63726855991052]
ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。
この2つの設定の間には自然なシナジーがあることが示されています。
この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
論文 参考訳（メタデータ） (2021-11-25T19:59:33Z) - Error-Correcting Neural Networks for Semi-Lagrangian Advection in the
Level-Set Method [0.0]
本稿では,画像超解像技術とスカラートランスポートを融合した機械学習フレームワークを提案する。
我々は,インターフェースの粗いメッシュ進化における数値粘度を最小化するために,オンザフライデータ駆動補正を計算できるかどうかを検討する。
論文 参考訳（メタデータ） (2021-10-22T06:36:15Z) - Learning Constrained Distributions of Robot Configurations with
Generative Adversarial Network [15.962033896896385]
高次元ロボットシステムでは、有効な構成空間の多様体はしばしば複素形状を持つ。
このような制約下で有効なロボット構成の分布を学習するための生成的敵ネットワークアプローチを提案する。
論文 参考訳（メタデータ） (2020-11-11T11:43:54Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。