論文の概要: Primitive-based Truncated Diffusion for Efficient Trajectory Generation of Differential Drive Mobile Manipulators

• arxiv url: http://arxiv.org/abs/2604.04166v1
• Date: Sun, 05 Apr 2026 16:13:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.954139
• Title: Primitive-based Truncated Diffusion for Efficient Trajectory Generation of Differential Drive Mobile Manipulators
• Title（参考訳）: 差動駆動移動マニピュレータの効率的な軌道生成のためのプリミティブベーストランケート拡散
• Authors: Long Xu, Choilam Wong, Yuhang Zhong, Junxiao Lin, Jialiang Hou, Fei Gao,
• Abstract要約: 本稿では,ディファレンシャルドライブ移動マニピュレータの効率,成功率,最適性を向上するための学習強化型モーションプランナを提案する。 タスク表現エンコーダでは,境界状態を3次元空間にマッピングするキーポイントシーケンス抽出モジュールを提案する。 また、偏り分布からサンプルをサンプリングするプリミティブベーストランキャット拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 5.186136889866941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a learning-enhanced motion planner for differential drive mobile manipulators to improve efficiency, success rate, and optimality. For task representation encoder, we propose a keypoint sequence extraction module that maps boundary states to 3D space via differentiable forward kinematics. Point clouds and keypoints are encoded separately and fused with attention, enabling effective integration of environment and boundary states information. We also propose a primitive-based truncated diffusion model that samples from a biased distribution. Compared with vanilla diffusion model, this framework improves the efficiency and diversity of the solution. Denoised paths are refined by trajectory optimization to ensure dynamic feasibility and task-specific optimality. In cluttered 3D simulations, our method achieves higher success rate, improved trajectory diversity, and competitive runtime compared to vanilla diffusion and classical baselines. The source code is released at https://github.com/nmoma/nmoma .
• Abstract（参考訳）: 本稿では,ディファレンシャルドライブ移動マニピュレータの効率,成功率,最適性を向上するための学習強化型モーションプランナを提案する。 タスク表現エンコーダでは,境界状態と3次元空間を微分可能前方運動学によりマッピングするキーポイントシーケンス抽出モジュールを提案する。 ポイントクラウドとキーポイントは別々にエンコードされ、注意を払い、環境とバウンダリステート情報の効果的な統合を可能にする。 また、偏り分布からサンプルをサンプリングするプリミティブベーストランキャット拡散モデルを提案する。 バニラ拡散モデルと比較して、このフレームワークは溶液の効率と多様性を向上させる。 動的実現可能性とタスク固有の最適性を確保するため、軌道最適化によりデノライズドパスが洗練される。 スパッタリング3Dシミュレーションでは,バニラ拡散や古典的ベースラインと比較して,高い成功率,軌道の多様性の向上,および競合ランタイムを実現している。 ソースコードはhttps://github.com/nmoma/nmoma で公開されている。

関連論文リスト

• Flows and Diffusions on the Neural Manifold [0.0]
  拡散およびフローベース生成モデルは、画像合成、ビデオ生成、自然言語モデリングといった領域で顕著に成功している。 本研究では、最近の手法を活用して、これらの進歩を重み空間学習に拡張し、最適化力学から導かれる構造的事前を組み込む。 我々は,勾配流の整合性を考慮した軌道推論手法を統一し,最適化経路を帰納バイアスとして扱うための理論的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-07-14T02:26:06Z)
• Text-to-Image Rectified Flow as Plug-and-Play Priors [52.586838532560755]
  整流流は、ソースからターゲット分布への線形進行を強制する新しい生成モデルのクラスである。 補正フローアプローチが生成品質と効率を上回り,推論ステップを少なくすることを示した。 また,画像のインバージョンや編集における競合性能も示す。
  論文  参考訳（メタデータ） (2024-06-05T14:02:31Z)
• Diffusion-ES: Gradient-free Planning with Diffusion for Autonomous Driving and Zero-Shot Instruction Following [21.81411085058986]
  Reward-gradient guided denoisingは、微分可能報酬関数と拡散モデルによって捕捉されたデータ分布下での確率の両方を最大化する軌道を生成する。 そこで我々は,勾配のない最適化と軌道デノゲーションを組み合わせたDiffusionESを提案する。 DiffusionESは、自動運転のための確立されたクローズドループ計画ベンチマークであるnuPlan上で、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-09T17:18:33Z)
• Diffusion-based 3D Object Detection with Random Boxes [58.43022365393569]
  既存のアンカーベースの3D検出方法は、アンカーの実証的な設定に依存しており、アルゴリズムはエレガンスを欠いている。 提案するDiff3Detは,検出ボックスを生成対象として考慮し,拡散モデルから3次元オブジェクト検出のための提案生成へ移行する。 推論段階では、モデルは予測結果にランダムボックスのセットを徐々に洗練する。
  論文  参考訳（メタデータ） (2023-09-05T08:49:53Z)
• Modiff: Action-Conditioned 3D Motion Generation with Denoising Diffusion Probabilistic Models [58.357180353368896]
  本稿では,現実的で多様な3D骨格に基づく運動生成問題に対処するために,拡散確率モデル(DDPM)の利点を生かした条件付きパラダイムを提案する。 我々はDDPMを用いてカテゴリ的動作で条件付けられた動作列の可変数を合成する先駆的な試みである。
  論文  参考訳（メタデータ） (2023-01-10T13:15:42Z)
• SE(3)-DiffusionFields: Learning smooth cost functions for joint grasp and motion optimization through diffusion [34.25379651790627]
  本研究では,データ駆動型SE(3)コスト関数を拡散モデルとして学習する手法を提案する。 我々は6DoFグルーピングのためのSE(3)拡散モデルの学習に重点を置いており、関節グルーピングと運動最適化のための新しい枠組みを生み出している。
  論文  参考訳（メタデータ） (2022-09-08T14:50:23Z)

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。