論文の概要: A Cross-Environment and Cross-Embodiment Path Planning Framework via a Conditional Diffusion Model

• arxiv url: http://arxiv.org/abs/2510.19128v1
• Date: Tue, 21 Oct 2025 23:30:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:14.827035
• Title: A Cross-Environment and Cross-Embodiment Path Planning Framework via a Conditional Diffusion Model
• Title（参考訳）: 条件拡散モデルによるクロス環境・クロスエボディメントパス計画フレームワーク
• Authors: Mehran Ghafarian Tamizi, Homayoun Honari, Amir Mehdi Soufi Enayati, Aleksey Nozdryn-Plotnicki, Homayoun Najjaran,
• Abstract要約: 本研究の目的は、未確認環境や新しいロボットマニピュレータに再訓練せずに一般化できる経路計画フレームワークを開発することである。 本稿では,Voxelized scene representationsに基づく共同空間軌跡を生成する拡散型計画モデルであるGADGETを提案する。 実験結果から,GADGETは球状障害物,ビンピッキング,シェルフ環境において衝突強度の低い高い高い成功率を達成できた。
• 参考スコア（独自算出の注目度）: 6.482051262912219
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Path planning for a robotic system in high-dimensional cluttered environments needs to be efficient, safe, and adaptable for different environments and hardware. Conventional methods face high computation time and require extensive parameter tuning, while prior learning-based methods still fail to generalize effectively. The primary goal of this research is to develop a path planning framework capable of generalizing to unseen environments and new robotic manipulators without the need for retraining. We present GADGET (Generalizable and Adaptive Diffusion-Guided Environment-aware Trajectory generation), a diffusion-based planning model that generates joint-space trajectories conditioned on voxelized scene representations as well as start and goal configurations. A key innovation is GADGET's hybrid dual-conditioning mechanism that combines classifier-free guidance via learned scene encoding with classifier-guided Control Barrier Function (CBF) safety shaping, integrating environment awareness with real-time collision avoidance directly in the denoising process. This design supports zero-shot transfer to new environments and robotic embodiments without retraining. Experimental results show that GADGET achieves high success rates with low collision intensity in spherical-obstacle, bin-picking, and shelf environments, with CBF guidance further improving safety. Moreover, comparative evaluations indicate strong performance relative to both sampling-based and learning-based baselines. Furthermore, GADGET provides transferability across Franka Panda, Kinova Gen3 (6/7-DoF), and UR5 robots, and physical execution on a Kinova Gen3 demonstrates its ability to generate safe, collision-free trajectories in real-world settings.
• Abstract（参考訳）: 高次元乱雑な環境におけるロボットシステムの経路計画は、様々な環境やハードウェアに対して効率的で安全で適応可能である必要がある。 従来の手法では高い計算時間と広範囲なパラメータチューニングが必要であったが,従来の学習手法は依然として効果的に一般化できない。 本研究の主な目的は、再訓練を必要とせずに、見えない環境や新しいロボットマニピュレータに一般化可能な経路計画フレームワークを開発することである。 GADGET(Generalizable and Adaptive Diffusion-Guided Environment-aware Trajectory Generation)は,Voxelized scene representationsに条件付き共同空間軌跡を生成する拡散型計画モデルである。 重要なイノベーションは、GADGETのハイブリッドデュアルコンディショニングメカニズムである。これは、学習シーンエンコーディングによるクラシファイアフリーガイダンスと、分類器誘導制御バリア関数(CBF)の安全性シェーピングを組み合わせ、環境認識とリアルタイム衝突回避をデノナイジングプロセスで直接統合するものである。 このデザインは、新しい環境へのゼロショット転送と、再訓練せずにロボットの実施をサポートする。 実験の結果, GADGETは, 球状障害物, ビンピッキング, シェルフ環境における衝突強度の低い高い高い成功率を達成し, CBFガイダンスにより安全性が向上した。 さらに, 比較評価は, サンプリングベースベースラインと学習ベースラインの両方と比較して, 高い性能を示す。 さらに、GADGETは、Franka Panda、Kinova Gen3 (6/7-DoF)、UR5ロボット間の転送可能性を提供し、Kinova Gen3上での物理的実行は、現実世界の設定で安全で衝突のない軌道を生成する能力を示している。

関連論文リスト

• Efficient Virtuoso: A Latent Diffusion Transformer Model for Goal-Conditioned Trajectory Planning [0.0]
  本稿では,目標条件付き軌道計画のための条件付き潜在拡散モデルであるEfficient Virtuosoを提案する。 提案手法は,Open Motionデータセット上での最先端性能を実現し,平均変位誤差(minADE)が0.25であることを示す。 一つのゴールが戦略的曖昧さを解決できる一方で、人間の運転行動を反映した正確で忠実な戦術実行を実現するためには、よりリッチで多段階のスパース経路が不可欠である。
  論文  参考訳（メタデータ） (2025-09-03T19:18:02Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• RISE: Robust Imitation through Stochastic Encoding [0.764671395172401]
  本稿では,環境パラメータの誤った測定をポリシー学習に明示的に対応させる,新しい模倣学習フレームワークを提案する。 我々のフレームワークは、障害状態、向き、速度などのパラメータを潜在空間にエンコードし、テスト時間を改善する。 我々は,2つのロボットプラットフォームに対するアプローチを検証するとともに,目標達成性能をベースライン法と比較し,安全性の向上を図っている。
  論文  参考訳（メタデータ） (2025-03-15T19:52:16Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)
• Real-Time Adaptive Safety-Critical Control with Gaussian Processes in High-Order Uncertain Models [14.790031018404942]
  本稿では,不確実なパラメータを持つシステムを対象とした適応型オンライン学習フレームワークを提案する。 まず,差分スパースGPアルゴリズムを改良するために,まず忘れ係数を積分する。 第2フェーズでは,高次制御バリア関数に基づく安全フィルタを提案する。
  論文  参考訳（メタデータ） (2024-02-29T08:25:32Z)
• Online Control Barrier Functions for Decentralized Multi-Agent Navigation [15.876920170393168]
  制御バリア関数(CBF)は、連続領域における安全なマルチエージェントナビゲーションを可能にする。 伝統的なアプローチでは、パラメータが Apriori にチューニングされる固定CBF を考える。 オンラインCBFを提案し、ハイパーパラメータをリアルタイムに調整する。
  論文  参考訳（メタデータ） (2023-03-08T01:28:18Z)

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。