論文の概要: Behavioral Score Diffusion: Model-Free Trajectory Planning via Kernel-Based Score Estimation from Data

• arxiv url: http://arxiv.org/abs/2604.00391v1
• Date: Wed, 01 Apr 2026 02:21:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.796432
• Title: Behavioral Score Diffusion: Model-Free Trajectory Planning via Kernel-Based Score Estimation from Data
• Title（参考訳）: 行動スコア拡散:データからのカーネルベーススコア推定によるモデル自由軌道計画
• Authors: Shihao Li, Jiachen Li, Jiamin Xu, Dongmei Chen,
• Abstract要約: EmphBehavioral Score Diffusion (BSD) を導入する。 BSDは、カーネル重み付け推定による軌道データのライブラリから直接拡散スコア関数を計算する。 BSDは、最寄りの検索(18～63%の改善)を大幅に上回っている
• 参考スコア（独自算出の注目度）: 11.599621915522802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based trajectory optimization has emerged as a powerful planning paradigm, but existing methods require either learned score networks trained on large datasets or analytical dynamics models for score computation. We introduce \emph{Behavioral Score Diffusion} (BSD), a training-free and model-free trajectory planner that computes the diffusion score function directly from a library of trajectory data via kernel-weighted estimation. At each denoising step, BSD retrieves relevant trajectories using a triple-kernel weighting scheme -- diffusion proximity, state context, and goal relevance -- and computes a Nadaraya-Watson estimate of the denoised trajectory. The diffusion noise schedule naturally controls kernel bandwidths, creating a multi-scale nonparametric regression: broad averaging of global behavioral patterns at high noise, fine-grained local interpolation at low noise. This coarse-to-fine structure handles nonlinear dynamics without linearization or parametric assumptions. Safety is preserved by applying shielded rollout on kernel-estimated state trajectories, identical to existing model-based approaches. We evaluate BSD on four robotic systems of increasing complexity (3D--6D state spaces) in a parking scenario. BSD with fixed bandwidth achieves 98.5\% of the model-based baseline's average reward across systems while requiring no dynamics model, using only 1{,}000 pre-collected trajectories. BSD substantially outperforms nearest-neighbor retrieval (18--63\% improvement), confirming that the diffusion denoising mechanism is essential for effective data-driven planning.
• Abstract（参考訳）: 拡散に基づく軌道最適化は強力な計画パラダイムとして登場したが、既存の手法では、大規模なデータセットで訓練された学習されたスコアネットワークか、スコア計算のための解析力学モデルが必要である。 本稿では,カーネル重み付き推定による軌道データのライブラリから直接拡散スコア関数を計算し,学習自由かつモデルフリーな軌道プランナである \emph{Behavioral Score Diffusion} (BSD) を紹介する。 BSDは各デノイングステップにおいて、三重カーネル重み付けスキーム(拡散近接、状態コンテキスト、目標関連)を使用して関連するトラジェクトリを検索し、デノナイズされたトラジェクトリのナダラヤ・ワトソン推定を計算する。 拡散ノイズスケジュールは、カーネル帯域幅を自然に制御し、マルチスケールの非パラメトリック回帰を生成する。 この粗く微細な構造は、線形化やパラメトリックな仮定なしに非線形力学を扱う。 安全性は、既存のモデルベースアプローチと同じ、カーネル推定状態軌跡にシールド付きロールアウトを適用することで維持される。 駐車場における複雑さ(3D--6D状態空間)が増大する4つのロボットシステム上でBSDを評価した。 固定帯域を持つBSDは、システム全体のモデルベースラインの平均報酬の98.5%を達成し、動的モデルを必要としない。 BSDは最寄りの検索(18-63-%の改善)を大幅に上回り、拡散分極機構が効果的なデータ駆動計画に不可欠であることを確認した。

関連論文リスト

• Amortizing Trajectory Diffusion with Keyed Drift Fields [2.5352713493505785]
  キード・ドリフト・ポリシーズ (Keyed Drifting Policies) は、ドリフトフィールドの目標で訓練された1ステップの軌道生成装置である。 生成されたトラジェクトリを条件マッチングされたデータセットウィンドウに反映する。 1ステップの推論で高い性能を達成し、拡散サンプリングよりも計画遅延を大幅に低減する。
  論文  参考訳（メタデータ） (2026-03-14T17:56:15Z)
• Domain-Incremental Continual Learning for Robust and Efficient Keyword Spotting in Resource Constrained Systems [0.0]
  キーワード エッジデバイスにデプロイされる小さなフットプリントモデルを備えたスポッティングシステムは、かなりの精度と堅牢性に直面する。 計算効率を維持しつつ,新しい領域に適応する継続的学習のための包括的フレームワークを提案する。 提案したパイプラインは、Mel Frequency Cepstral Coefficients(MFCC)とMel-spectrogram機能の両方を利用して、デュアルインプットの畳み込みニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2026-01-22T17:59:31Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Score-informed Neural Operator for Enhancing Ordering-based Causal Discovery [12.33811209316863]
  対数密度のヘッセン対角線を近似するために,Score-informed Neural Operator (SciNO)を提案する。 SciNOは、合成グラフで42.7%、実世界のデータセットで31.5%のオーダー分散を減少させる。 また,自己回帰モデルを用いた因果推論のための確率論的制御アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-08-18T06:25:41Z)
• Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
  我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。 従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。 本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
  論文  参考訳（メタデータ） (2025-07-11T08:00:47Z)
• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• Predicting Forced Responses of Probability Distributions via the Fluctuation-Dissipation Theorem and Generative Modeling [0.0]
  非線形系の高次モーメントの小さな外乱に対する応答を推定するためのデータ駆動型フレームワークを提案する。 GFDTとスコアベース生成モデルを組み合わせて,データから直接システムのスコア関数を推定する。 本手法は, 気候動態に関するいくつかのモデルを用いて検証した。
  論文  参考訳（メタデータ） (2025-04-17T20:54:33Z)
• A recursive Bayesian neural network for constitutive modeling of sands under monotonic and cyclic loading [0.0]
  工学において、モデルは様々な排水条件、ストレスパス、ロード履歴をまたいだ土壌の挙動を捉える中心となる。 本研究では,時間列学習を一般化推論で統一する再帰的ベイズニューラルネットワーク(rBNN)フレームワークを提案する。 このフレームワークは、シミュレートされた3軸テストと実験的な3軸テストの両方にまたがる4つのデータセットに対して検証される。
  論文  参考訳（メタデータ） (2025-01-17T10:15:03Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)

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。