論文の概要: Warm-Starting Collision-Free Model Predictive Control With Object-Centric Diffusion

• arxiv url: http://arxiv.org/abs/2601.02873v2
• Date: Wed, 21 Jan 2026 09:53:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.658267
• Title: Warm-Starting Collision-Free Model Predictive Control With Object-Centric Diffusion
• Title（参考訳）: 物体中心拡散を用いたウォームスタート衝突フリーモデル予測制御
• Authors: Arthur Haffemayer, Alexandre Chapin, Armand Jordana, Krzysztof Wojciechowski, Florent Lamiraux, Nicolas Mansard, Vladimir Petrik,
• Abstract要約: 拡散型ウォームスタート条件と潜時オブジェクト中心のシーン表現を組み合わせることで、厳密な時間制限下での信頼性と効率的な動き生成が得られることを示す。 提案手法では,オブジェクト中心のスロットアテンション機構を用いて,システム状態,タスク,周囲に拡散トランスフォーマを設定できる。 サンプル軌道は、剛体力学と符号-距離衝突制約を強制する最適制御問題によって洗練される。
• 参考スコア（独自算出の注目度）: 38.363402738466334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Acting in cluttered environments requires predicting and avoiding collisions while still achieving precise control. Conventional optimization-based controllers can enforce physical constraints, but they struggle to produce feasible solutions quickly when many obstacles are present. Diffusion models can generate diverse trajectories around obstacles, yet prior approaches lacked a general and efficient way to condition them on scene structure. In this paper, we show that combining diffusion-based warm-starting conditioned with a latent object-centric representation of the scene and with a collision-aware model predictive controller (MPC) yields reliable and efficient motion generation under strict time limits. Our approach conditions a diffusion transformer on the system state, task, and surroundings, using an object-centric slot attention mechanism to provide a compact obstacle representation suitable for control. The sampled trajectories are refined by an optimal control problem that enforces rigid-body dynamics and signed-distance collision constraints, producing feasible motions in real time. On benchmark tasks, this hybrid method achieved markedly higher success rates and lower latency than sampling-based planners or either component alone. Real-robot experiments with a torque-controlled Panda confirm reliable and safe execution with MPC.
• Abstract（参考訳）: 乱雑な環境での行動には、正確な制御を保ちながら衝突の予測と回避が必要である。 従来の最適化ベースのコントローラは、物理的制約を強制することができるが、多くの障害が存在する場合、実現可能なソリューションを迅速に作成するのに苦労する。 拡散モデルは障害物周囲の様々な軌道を生成することができるが、以前のアプローチではシーン構造にそれらを調和させる汎用的で効率的な方法が欠けていた。 本稿では,拡散に基づく温暖化開始条件をシーンの潜在オブジェクト中心表現と衝突認識モデル予測制御器(MPC)と組み合わせることで,厳密な時間制約下での信頼性と効率的な動作生成が得られることを示す。 本手法では,制御に適したコンパクトな障害物表現を提供するために,オブジェクト中心のスロットアテンション機構を用いて,システム状態,タスク,周囲の拡散トランスフォーマを条件とする。 サンプル軌道は、剛体力学と符号-距離衝突制約を強制する最適制御問題により洗練され、実現可能な運動をリアルタイムで生成する。 ベンチマークタスクでは、このハイブリッド手法はサンプリングベースのプランナーやコンポーネント単独よりも成功率とレイテンシが著しく向上した。 トルク制御されたパンダを用いた実ロボット実験では、MPCによる信頼性と安全な実行が確認された。

関連論文リスト

• Imitation learning-based spacecraft rendezvous and docking method with Expert Demonstration [8.727025636218528]
  既存の宇宙船のランデブーとドッキング制御方法は、事前に定義された動的モデルに依存している。 本稿では,専門家による実証から制御ポリシーを学習するImitation Learningベースのフレームワークを提案する。 提案手法は高精度でエネルギー効率の良いモデルレスランデブーとドッキング制御を実現する。
  論文  参考訳（メタデータ） (2026-01-19T10:58:26Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• 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)
• 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)
• Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
  オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。 モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。 実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
  論文  参考訳（メタデータ） (2024-12-05T18:58:27Z)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• Denoising Heat-inspired Diffusion with Insulators for Collision Free Motion Planning [3.074694788117593]
  拡散モデルは、柔軟性とマルチモダリティのために、ロボット工学の強力なツールとして台頭している。 本稿では,到達可能な目標のみを同時に生成し,障害物を回避する動作を計画する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T09:39:07Z)

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。