論文の概要: Vision-Conditioned Variational Bayesian Last Layer Dynamics Models

• arxiv url: http://arxiv.org/abs/2601.09178v2
• Date: Fri, 16 Jan 2026 16:32:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.775756
• Title: Vision-Conditioned Variational Bayesian Last Layer Dynamics Models
• Title（参考訳）: ヴィジュアル・コンディション付き変分ベイズラスト・レイヤ・ダイナミクスモデル
• Authors: Paul Brunzema, Thomas Lew, Ray Zhang, Takeru Shirasawa, John Subosits, Marcus Greiff,
• Abstract要約: ロボットシステムのアジャイル制御は、しばしば環境がシステムの振る舞いにどのように影響するかを予測する必要がある。 従来のモデリング手法は、しばしばシステムの振る舞いの急激な変化を捉えるのに苦労する。 本研究では,視覚環境の変化を予測できる視覚条件付き変分ベイズ最終層力学モデルを提案する。
• 参考スコア（独自算出の注目度）: 2.936118677102837
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Agile control of robotic systems often requires anticipating how the environment affects system behavior. For example, a driver must perceive the road ahead to anticipate available friction and plan actions accordingly. Achieving such proactive adaptation within autonomous frameworks remains a challenge, particularly under rapidly changing conditions. Traditional modeling approaches often struggle to capture abrupt variations in system behavior, while adaptive methods are inherently reactive and may adapt too late to ensure safety. We propose a vision-conditioned variational Bayesian last-layer dynamics model that leverages visual context to anticipate changes in the environment. The model first learns nominal vehicle dynamics and is then fine-tuned with feature-wise affine transformations of latent features, enabling context-aware dynamics prediction. The resulting model is integrated into an optimal controller for vehicle racing. We validate our method on a Lexus LC500 racing through water puddles. With vision-conditioning, the system completed all 12 attempted laps under varying conditions. In contrast, all baselines without visual context consistently lost control, demonstrating the importance of proactive dynamics adaptation in high-performance applications.
• Abstract（参考訳）: ロボットシステムのアジャイル制御は、しばしば環境がシステムの振る舞いにどのように影響するかを予測する必要がある。 例えば、ドライバーは、利用可能な摩擦と計画行動を予測するために、前方の道路を知覚しなければならない。 自律的なフレームワークにおけるこのような積極的な適応を実現することは、特に急速に変化する状況下では、依然として課題である。 従来のモデリング手法は、システムの振る舞いの急激な変化を捉えるのに苦労することが多いが、適応的手法は本質的に反応性があり、安全性を確保するには遅すぎる可能性がある。 本研究では,視覚環境の変化を予測できる視覚条件付き変分ベイズ最終層力学モデルを提案する。 モデルはまず、名目上の車両力学を学習し、その後、潜在特徴の特徴的アフィン変換を微調整し、コンテキスト認識のダイナミクス予測を可能にする。 結果のモデルは、車両レースのための最適制御器に統合される。 水たまりを走行するLexus LC500において,本手法の有効性を検証した。 ヴィジュアルコンディショニングにより、システムは様々な条件下で全12周のラップを完了した。 対照的に、視覚的コンテキストを持たない全てのベースラインは、常に制御を失い、高性能なアプリケーションにおいて、プロアクティブな動的適応の重要性が証明された。

関連論文リスト

• Vehicle Dynamics Embedded World Models for Autonomous Driving [13.012978896886134]
  環境遷移力学からエゴ車両力学のモデリングを分離したVDD法を提案する。 提案モデルでは,車両動特性の変動に対して駆動性能とロバスト性の両方を向上し,既存手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-12-02T04:57:52Z)
• SEAL: Vision-Language Model-Based Safe End-to-End Cooperative Autonomous Driving with Adaptive Long-Tail Modeling [13.81210267833274]
  SEALは、長期シナリオ下での堅牢な協調自動運転のための適応型マルチモーダル学習を備えたビジョンベースのモデルベースフレームワークである。 SEALは、(i)基礎モデルを利用して現実的なロングテール条件を合成するプロンプト駆動のロングテールシナリオ生成と評価パイプライン、(ii)曖昧または破損した特徴を再検討するシナリオを用いてビジュアルストリームを変調するマルチシナリオ適応アダプティブアテンションモジュール、(iii)マルチタスクシナリオを意識したコントラクティブな学習目標、マルチモーダルアライメントを改善し、クロスシナリオ機能セパビリティを促進する。
  論文  参考訳（メタデータ） (2025-06-26T06:42:03Z)
• Meta-Learning Online Dynamics Model Adaptation in Off-Road Autonomous Driving [9.515695438588855]
  高速オフロード自動運転は、複雑で進化する地形特性のために固有の課題を提起する。 これらの課題に対処するために,Kalmanフィルタに基づくオンライン適応スキームとメタ学習パラメータを組み合わせた新しいフレームワークを提案する。 この結果から,メタ学習型動的モデル適応の有効性が評価され,信頼性の高い自律システムの開発が進められた。
  論文  参考訳（メタデータ） (2025-04-23T17:51:36Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Isolating and Leveraging Controllable and Noncontrollable Visual Dynamics in World Models [65.97707691164558]
  Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。 まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。 第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
  論文  参考訳（メタデータ） (2022-05-27T08:07:39Z)

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。