論文の概要: Mixed Density Diffuser: Efficient Planning with Non-uniform Temporal Resolution
- arxiv url: http://arxiv.org/abs/2510.23026v1
- Date: Mon, 27 Oct 2025 05:45:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 17:41:22.003021
- Title: Mixed Density Diffuser: Efficient Planning with Non-uniform Temporal Resolution
- Title（参考訳）: 混合密度ディフューザ:非一様時間分解能を考慮した効率的な計画法
- Authors: Crimson Stambaugh, Rajesh P. N. Rao,
- Abstract要約: トラジェクトリのステップをスキップするトレーニングモデルは、追加やメモリ計算コストなしで長期的な依存関係をキャプチャするのに役立つ。
我々は、この時間密度閾値は時間的地平線を越えて不均一であり、計画された軌道の一部がより密に計画されるべきであると仮定する。
- 参考スコア（独自算出の注目度）: 1.1172382217477128
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent studies demonstrate that diffusion planners benefit from sparse-step planning over single-step planning. Training models to skip steps in their trajectories helps capture long-term dependencies without additional or memory computational cost. However, predicting excessively sparse plans degrades performance. We hypothesize this temporal density threshold is non-uniform across a temporal horizon and that certain parts of a planned trajectory should be more densely planned. We propose Mixed Density Diffuser (MDD), a diffusion planner where the densities throughout the horizon are tunable hyperparameters. MDD achieves a new SOTA across the Maze2D, Franka Kitchen, and Antmaze D4RL task domains.
- Abstract（参考訳）: 近年の研究では、拡散プランナーは単一ステップ計画よりもスパースステップ計画の恩恵を受けていることが示されている。
トラジェクトリのステップをスキップするトレーニングモデルは、追加やメモリ計算コストなしで長期的な依存関係をキャプチャするのに役立つ。
しかし、過度にスパースな計画を予測することは性能を低下させる。
我々は、この時間密度閾値は時間的地平線を越えて不均一であり、計画された軌道の一部がより密に計画されるべきであると仮定する。
地平線中の密度を調整可能なハイパーパラメーターとする拡散プランナである混合密度ディフューザ(MDD)を提案する。
MDDは、Maze2D、Franka Kitchen、Antmaze D4RLタスクドメインにまたがる新しいSOTAを実現する。
関連論文リスト
- UnLoc: Leveraging Depth Uncertainties for Floorplan Localization [80.55849461031879]
UnLocはフロアプラン内のシーケンシャルカメラローカライゼーションのための効率的なデータ駆動ソリューションである。
本研究では,不確実性推定を組み込んだ新しい確率モデルを導入し,深度予測を明示的な確率分布としてモデル化する。
我々はUnLocを大規模合成および実世界のデータセット上で評価し、精度とロバスト性の観点から大幅に改善したことを示す。
論文 参考訳（メタデータ） (2025-09-14T14:45:43Z) - Local Manifold Approximation and Projection for Manifold-Aware Diffusion Planning [23.945423041112036]
Local Manifold Approximation and Projection (LoMAP) は、オフラインデータセットから近似した低ランクのサブスペースにガイドされたサンプルを投影するトレーニング不要の手法である。
階層型拡散プランナにLoMAPを組み込むことにより,さらなる性能向上が期待できることを示す。
論文 参考訳（メタデータ） (2025-06-01T07:16:39Z) - CHD: Coupled Hierarchical Diffusion for Long-Horizon Tasks [10.13048343565914]
拡散に基づくプランナーは、短期水平タスクでは強い性能を示してきたが、しばしば複雑な長期水平設定では失敗する。
本稿では,HLサブゴールとLL軌道を統一拡散過程内で共同でモデル化するフレームワークであるCoupled Hierarchical Diffusionを提案する。
迷路のナビゲーション、テーブルトップ操作、家庭環境における実験は、CHDがフラットな拡散ベースラインと階層的な拡散ベースラインの両方を一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2025-05-12T06:21:48Z) - Extendable Long-Horizon Planning via Hierarchical Multiscale Diffusion [62.91968752955649]
本稿では,学習データよりも長い軌道計画を行うための,拡張可能な長期計画支援エージェントの課題に対処する。
より短いものを縫い合わせることで、より長い軌跡を反復的に生成する拡張法を提案する。
HM-ディフューザーは階層構造を用いてこれらの拡張軌道を訓練し、複数の時間スケールにわたるタスクを効率的に処理する。
論文 参考訳（メタデータ） (2025-03-25T22:52:46Z) - Temporal Difference Flows [82.24174052059352]
Geometric Horizon Models (GHMs) は、将来の状態を直接予測することで、魅力的な代替手段を提供する。
既存の手法は、列車時のブートストラップ予測や、長い地平線で高品質な予測を生成するのに苦慮している。
本稿では,従来の手法の水平長の5倍以上の精度で正確なGHMを学習するために,確率経路上の新しいベルマン方程式の構造を利用した時間差流(TD-Flow)を提案する。
論文 参考訳（メタデータ） (2025-03-12T20:30:07Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z) - From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。
我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。
また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文 参考訳（メタデータ） (2020-12-02T21:01:29Z)
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。