論文の概要: Flow Motion Policy: Manipulator Motion Planning with Flow Matching Models

• arxiv url: http://arxiv.org/abs/2604.07084v1
• Date: Wed, 08 Apr 2026 13:38:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.557901
• Title: Flow Motion Policy: Manipulator Motion Planning with Flow Matching Models
• Title（参考訳）: フローモーションポリシー:フローマッチングモデルを用いたマニピュレータ運動計画
• Authors: Davood Soleymanzadeh, Xiao Liang, Minghui Zheng,
• Abstract要約: Flow Motion Policyは、ロボットマニピュレータのためのオープンループでエンドツーエンドのニューラルモーションプランナーである。 複数のエンドツーエンドの候補パスを生成し、計画後の衝突状態を評価し、最初の衝突のないソリューションを実行する。
• 参考スコア（独自算出の注目度）: 3.4672098154671995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-loop end-to-end neural motion planners have recently been proposed to improve motion planning for robotic manipulators. These methods enable planning directly from sensor observations without relying on a privileged collision checker during planning. However, many existing methods generate only a single path for a given workspace across different runs, and do not leverage their open-loop structure for inference-time optimization. To address this limitation, we introduce Flow Motion Policy, an open-loop, end-to-end neural motion planner for robotic manipulators that leverages the stochastic generative formulation of flow matching methods to capture the inherent multi-modality of planning datasets. By modeling a distribution over feasible paths, Flow Motion Policy enables efficient inference-time best-of-$N$ sampling. The method generates multiple end-to-end candidate paths, evaluates their collision status after planning, and executes the first collision-free solution. We benchmark the Flow Motion Policy against representative sampling-based and neural motion planning methods. Evaluation results demonstrate that Flow Motion Policy improves planning success and efficiency, highlighting the effectiveness of stochastic generative policies for end-to-end motion planning and inference-time optimization. Experimental evaluation videos are available via this \href{https://zh.engr.tamu.edu/wp-content/uploads/sites/310/2026/03/FMP-Website.mp4}{link}.
• Abstract（参考訳）: ロボットマニピュレータの動作計画を改善するために、最近オープンループのエンドツーエンドのニューラルモーションプランナーが提案されている。 これらの方法では,センサ観測から直接計画を行うことができ,計画中に特権的な衝突チェッカーを使わずに計画を行うことができる。 しかし、既存の多くのメソッドは、異なる実行時間にまたがって特定のワークスペースに対して単一のパスしか生成せず、そのオープンループ構造を推論時最適化に利用しない。 この制限に対処するために,ロボットマニピュレータのためのオープンループでエンドツーエンドのニューラルモーションプランナであるFlow Motion Policyを導入する。 実現可能な経路上の分布をモデル化することにより、フローモーションポリシーは効率的な推論タイムのベスト・オブ・N$サンプリングを可能にする。 本手法は、複数のエンドツーエンド候補パスを生成し、計画後の衝突状態を評価し、第1の衝突のない解を実行する。 本稿では,代表的なサンプリングベースおよびニューラルモーション計画手法に対して,フローモーションポリシーをベンチマークする。 評価結果は,フローモーションポリシが計画の成功と効率を向上させることを示し,エンドツーエンドの動作計画と推論時間最適化に対する確率的生成ポリシーの有効性を強調した。 実験的な評価ビデオは、この \href{https://zh.engr.tamu.edu/wp-content/uploads/sites/310/2026/03/FMP-Website.mp4}{link} を通じて入手できる。

関連論文リスト

• Planning with Sketch-Guided Verification for Physics-Aware Video Generation [71.29706409814324]
  そこで我々は,SketchVerifyを,ビデオ生成のためのトレーニングフリーでスケッチ検証ベースの計画フレームワークとして提案する。 提案手法は,複数の候補動きプランを予測し,視覚言語検証器を用いてランク付けする。 我々は、満足なものが特定されるまで運動計画を反復的に洗練し、最終的な合成のために軌道条件付きジェネレータに渡される。
  論文  参考訳（メタデータ） (2025-11-21T17:48:02Z)
• Streaming Flow Policy: Simplifying diffusion/flow-matching policies by treating action trajectories as flow trajectories [28.01020980367346]
  動作軌跡をフロー軌跡として扱うことで拡散$/$flowポリシーを簡素化する。 我々のアルゴリズムは、最後のアクションの周囲の狭いガウシアンからサンプリングする。 フローマッチングによって学習された速度場を漸進的に統合し、単一の軌道を構成する一連のアクションを生成する。
  論文  参考訳（メタデータ） (2025-05-28T00:48:19Z)
• Decision Flow Policy Optimization [53.825268058199825]
  生成モデルは、複雑なマルチモーダルな動作分布を効果的にモデル化し、連続的な動作空間において優れたロボット制御を実現することができることを示す。 従来の手法は通常、データセットからの状態条件付きアクション分布に適合する振る舞いモデルとして生成モデルを採用する。 マルチモーダルな行動分布モデリングとポリシー最適化を統合した統合フレームワークDecision Flowを提案する。
  論文  参考訳（メタデータ） (2025-05-26T03:42:20Z)
• Hierarchical Policy Blending as Inference for Reactive Robot Control [21.058662668187875]
  ぼんやりした、密集した、ダイナミックな環境における運動生成は、ロボット工学における中心的なトピックである。 反応ポリシーと計画の利点を組み合わせた階層的な動き生成手法を提案する。 平面ナビゲーションと6DoF操作の実験的研究により,提案手法は筋活動制御とオンライン再計画の両方に優れることが示された。
  論文  参考訳（メタデータ） (2022-10-14T15:16:54Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
  エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。 我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。 シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
  論文  参考訳（メタデータ） (2021-01-14T22:21:25Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。