論文の概要: SAD-Flower: Flow Matching for Safe, Admissible, and Dynamically Consistent Planning

• arxiv url: http://arxiv.org/abs/2511.05355v1
• Date: Fri, 07 Nov 2025 15:46:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.818368
• Title: SAD-Flower: Flow Matching for Safe, Admissible, and Dynamically Consistent Planning
• Title（参考訳）: SAD-Flower: 安全で許容可能で動的に一貫性のある計画のためのフローマッチング
• Authors: Tzu-Yuan Huang, Armin Lederer, Dai-Jie Wu, Xiaobing Dai, Sihua Zhang, Stefan Sosnowski, Shao-Hua Sun, Sandra Hirche,
• Abstract要約: フローマッチング(FM)は、データ駆動計画において有望な結果を示している。 FMプランナは動的一貫性を保証しないため、トラジェクトリを実行不能にする可能性がある。 安全, 許容, 動的に一貫した軌道を生成する新しいフレームワークであるSAD-Flowerを提案する。
• 参考スコア（独自算出の注目度）: 15.313118244760895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow matching (FM) has shown promising results in data-driven planning. However, it inherently lacks formal guarantees for ensuring state and action constraints, whose satisfaction is a fundamental and crucial requirement for the safety and admissibility of planned trajectories on various systems. Moreover, existing FM planners do not ensure the dynamical consistency, which potentially renders trajectories inexecutable. We address these shortcomings by proposing SAD-Flower, a novel framework for generating Safe, Admissible, and Dynamically consistent trajectories. Our approach relies on an augmentation of the flow with a virtual control input. Thereby, principled guidance can be derived using techniques from nonlinear control theory, providing formal guarantees for state constraints, action constraints, and dynamic consistency. Crucially, SAD-Flower operates without retraining, enabling test-time satisfaction of unseen constraints. Through extensive experiments across several tasks, we demonstrate that SAD-Flower outperforms various generative-model-based baselines in ensuring constraint satisfaction.
• Abstract（参考訳）: フローマッチング(FM)は、データ駆動計画において有望な結果を示している。 しかし、国家と行動の制約を保証するための正式な保証は本質的に欠落しており、その満足度は様々なシステムにおける計画された軌道の安全性と許容性に対する基本的で決定的な要件である。 さらに、既存のFMプランナはダイナミックな一貫性を保証していないため、トラジェクトリの実行が不可能になる可能性がある。 SAD-Flowerは、安全、許容可能、動的に一貫した軌道を生成するための新しいフレームワークである。 我々のアプローチは、仮想制御入力によるフローの増大に依存している。 これにより、非線形制御理論の手法を用いて、状態制約、動作制約、動的一貫性の正式な保証を提供することができる。 重要なことは、SAD-Flowerは再トレーニングなしで動作し、目に見えない制約に対するテスト時の満足度を可能にする。 SAD-Flowerは、様々なタスクにわたる広範な実験を通じて、制約満足度を確保するために、様々な生成モデルベースのベースラインより優れていることを示す。

関連論文リスト

• UniConFlow: A Unified Constrained Generalization Framework for Certified Motion Planning with Flow Matching Models [16.275286046169594]
  生成モデルはロボットモーション生成の強力なツールとなり、様々なタスクで柔軟で多モーダルな軌道生成を可能にしている。 本論文では,同一性制約と不等式制約の両方を体系的に組み込んだトラジェクトリ生成のための統一フローマッチングフレームワークUniConFlowを提案する。 我々は移動ナビゲーションと高次元操作タスクを行い、最先端の制約付き生成プランナと比較して安全性と実現可能性の向上を図っている。
  論文  参考訳（メタデータ） (2025-06-03T14:48:04Z)
• From Uncertain to Safe: Conformal Fine-Tuning of Diffusion Models for Safe PDE Control [16.249515106834355]
  偏微分方程式(PDE)制約制御のための深層学習が注目されている。 我々は,安全制約下での最適制御を実現するために,PDE制御のためのセーフ拡散モデル(SafeDiffCon)を提案する。 我々は,1次元バーガー方程式,2次元非圧縮流体,制御核融合問題という3つの制御課題についてSafeDiffConを評価した。
  論文  参考訳（メタデータ） (2025-02-04T10:42:30Z)
• Diffusion Predictive Control with Constraints [51.91057765703533]
  拡散予測制御(Diffusion predictive control with constraints,DPCC)は、拡散に基づく制御のアルゴリズムである。 DPCCは,新しいテスト時間制約を満たすために,既存の手法よりも優れた性能を示すロボットマニピュレータのシミュレーションを通して示す。
  論文  参考訳（メタデータ） (2024-12-12T15:10:22Z)
• SafeDiffuser: Safe Planning with Diffusion Probabilistic Models [97.80042457099718]
  拡散モデルに基づくアプローチは、データ駆動計画において有望であるが、安全保証はない。 我々は,拡散確率モデルが仕様を満たすことを保証するために,SafeDiffuserと呼ばれる新しい手法を提案する。 提案手法は,迷路経路の生成,足歩行ロボットの移動,空間操作など,安全な計画作業の一連のテストを行う。
  論文  参考訳（メタデータ） (2023-05-31T19:38:12Z)
• Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems [1.0323063834827415]
  本研究では, 平均力学モデルを用いたサンプリングベースプランナを提案し, 学習外乱境界による閉ループ追従誤差を同時に有界化する。 この保証は,10次元四角形ロボットのシミュレーションや,クレージーフライ四角形ロボットとクリアパスジャカルロボットの現実世界でのシミュレーションにおいて,経験的安全性に変換されることを検証した。
  論文  参考訳（メタデータ） (2022-12-13T19:38:39Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Uncertainty-Aware Constraint Learning for Adaptive Safe Motion Planning from Demonstrations [6.950510860295866]
  本稿では,実証から不確実な制約を満たすための学習方法を提案する。 提案手法はロバスト最適化を用いて,実証と整合した制約の潜在的無限の集合に対する信念を得る。 我々は,我々の制約信念の正確さと計画の安全性に関する確率的保証を導出する。
  論文  参考訳（メタデータ） (2020-11-09T01:59:14Z)

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。