論文の概要: GenPlanner: From Noise to Plans -- Emergent Reasoning in Flow Matching and Diffusion Models
- arxiv url: http://arxiv.org/abs/2602.18812v1
- Date: Sat, 21 Feb 2026 12:12:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-24 17:42:02.328286
- Title: GenPlanner: From Noise to Plans -- Emergent Reasoning in Flow Matching and Diffusion Models
- Title（参考訳）: GenPlanner: ノイズから計画へ - フローマッチングと拡散モデルにおける創発的推論
- Authors: Agnieszka Polowczyk, Alicja Polowczyk, Michał Wieczorek,
- Abstract要約: GenPlannerは拡散モデルとフローマッチングに基づくアプローチであり、DiffPlannerとFlowPlannerの2つのバリエーションがある。
迷路内の正しい経路の探索と生成のための生成モデルの適用を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Path planning in complex environments is one of the key problems of artificial intelligence because it requires simultaneous understanding of the geometry of space and the global structure of the problem. In this paper, we explore the potential of using generative models as planning and reasoning mechanisms. We propose GenPlanner, an approach based on diffusion models and flow matching, along with two variants: DiffPlanner and FlowPlanner. We demonstrate the application of generative models to find and generate correct paths in mazes. A multi-channel condition describing the structure of the environment, including an obstacle map and information about the starting and destination points, is used to condition trajectory generation. Unlike standard methods, our models generate trajectories iteratively, starting with random noise and gradually transforming it into a correct solution. Experiments conducted show that the proposed approach significantly outperforms the baseline CNN model. In particular, FlowPlanner demonstrates high performance even with a limited number of generation steps.
- Abstract（参考訳）: 複雑な環境での経路計画は、空間の幾何学と問題のグローバル構造を同時に理解する必要があるため、人工知能の重要な問題の一つである。
本稿では,生成モデルを計画と推論のメカニズムとして活用する可能性について検討する。
我々は、拡散モデルとフローマッチングに基づくアプローチであるGenPlannerと、DiffPlannerとFlowPlannerの2つのバリエーションを提案する。
迷路内の正しい経路の探索と生成のための生成モデルの適用を実証する。
障害物マップや出発点や目的地に関する情報を含む環境の構造を記述する多チャンネル条件を用いて、軌道生成を条件付けする。
従来の手法とは異なり、我々のモデルは軌道を反復的に生成し、ランダムノイズから始まり、徐々に正しい解へと変換する。
実験の結果,提案手法はベースラインCNNモデルよりも有意に優れていた。
特に、FlowPlannerは、限られた生成ステップでも高いパフォーマンスを示す。
関連論文リスト
- Cognitive Maps in Language Models: A Mechanistic Analysis of Spatial Planning [2.1115884707107715]
我々はグリッド環境における3つの空間学習パラダイムに基づいてGPT-2モデルを訓練する。
行動、表現、機械的分析を用いて、2つの基本的な異なる学習アルゴリズムを明らかにする。
論文 参考訳（メタデータ） (2025-11-17T13:46:19Z) - Joint Localization and Planning using Diffusion [0.0]
拡散モデルは、操作や車道計画といったロボティクスの問題にうまく適用されてきた。
本稿では,自己中心型LIDARスキャン,任意の地図,所望の目標位置が与えられたグローバル参照フレームにおいて,衝突のない経路を生成する拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-09-26T16:07:20Z) - Generative prediction of flow fields around an obstacle using the diffusion model [12.094115138998745]
本稿では,障害物まわりの流れ場を予測するために,障害物形状を入力として利用する幾何学的-フロー拡散モデルを提案する。
マルコフ過程は障害物形状に条件付けされ、各ステップで除去されるノイズを推定する。
我々は、円、楕円、長方形、三角形を含む単純な障害物を取り巻く流れのデータセットを用いて、幾何学と流れの拡散モデルを訓練する。
論文 参考訳（メタデータ） (2024-06-30T15:48:57Z) - Guided Trajectory Generation with Diffusion Models for Offline Model-based Optimization [19.228156994045587]
高速領域への軌道生成のための条件付き生成モデリング手法を提案する。
実験の結果,本手法はデザインベンチの競争基準よりも優れていた。
論文 参考訳（メタデータ） (2024-06-29T06:12:36Z) - A Fixed-Point Approach for Causal Generative Modeling [20.88890689294816]
本稿では,構造因果モデル(Structure Causal Models, SCM)を因果順序付き変数の固定点問題として記述する新しい形式論を提案する。
トポロジカル順序付け(TO)を考えると,その特異な回復のために最も弱い既知の条件を確立する。
論文 参考訳（メタデータ） (2024-04-10T12:29:05Z) - 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) - Graph Generation with Diffusion Mixture [57.78958552860948]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-07T17:07:46Z) - Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。
我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
論文 参考訳（メタデータ） (2022-05-20T07:02:03Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。