論文の概要: Diffusion Sequence Models for Generative In-Context Meta-Learning of Robot Dynamics

• arxiv url: http://arxiv.org/abs/2604.13366v1
• Date: Wed, 15 Apr 2026 00:21:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.333825
• Title: Diffusion Sequence Models for Generative In-Context Meta-Learning of Robot Dynamics
• Title（参考訳）: ロボットダイナミクスの時間内メタラーニング生成のための拡散系列モデル
• Authors: Angelo Moroncelli, Matteo Rufolo, Gunes Cagin Aydin, Asad Ali Shahid, Loris Roveda,
• Abstract要約: システム識別をテキスト内メタ学習問題として定式化する。 我々は、フォワードダイナミクス予測のための決定論的および生成的シーケンスモデルを比較する。 その結果, ロボット工学におけるロバストなシステム同定の方向性として, 生成メタモデルが注目されている。
• 参考スコア（独自算出の注目度）: 1.6441639841508602
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modeling of robot dynamics is essential for model-based control, yet remains challenging under distributional shifts and real-time constraints. In this work, we formulate system identification as an in-context meta-learning problem and compare deterministic and generative sequence models for forward dynamics prediction. We take a Transformer-based meta-model, as a strong deterministic baseline, and introduce to this setting two complementary diffusion-based approaches: (i) inpainting diffusion (Diffuser), which learns the joint input-observation distribution, and (ii) conditioned diffusion models (CNN and Transformer), which generate future observations conditioned on control inputs. Through large-scale randomized simulations, we analyze performance across in-distribution and out-of-distribution regimes, as well as computational trade-offs relevant for control. We show that diffusion models significantly improve robustness under distribution shift, with inpainting diffusion achieving the best performance in our experiments. Finally, we demonstrate that warm-started sampling enables diffusion models to operate within real-time constraints, making them viable for control applications. These results highlight generative meta-models as a promising direction for robust system identification in robotics.
• Abstract（参考訳）: ロボットダイナミクスの正確なモデリングはモデルベース制御に不可欠であるが、分散シフトやリアルタイム制約の下では依然として困難である。 本研究では,文脈内メタラーニング問題としてシステム同定を定式化し,前方ダイナミクス予測のための決定論的および生成的シーケンスモデルの比較を行う。 我々はトランスフォーマーベースのメタモデルを強力な決定論的ベースラインとして捉え、この2つの相補的な拡散に基づくアプローチを紹介します。 一 共同入力・観測分布を学習する塗布拡散(ディフューザ)及び (II)制御入力に条件付き将来の観測を生成する条件付き拡散モデル(CNN, Transformer)。 大規模ランダム化シミュレーションにより,配電系統,配電系統,配電系統,および制御に関連する計算トレードオフを解析した。 拡散モデルにより, 分散シフト下でのロバスト性は著しく向上し, 浸透拡散は実験で最高の性能を発揮することを示した。 最後に, 高温開始サンプリングにより, 拡散モデルがリアルタイムな制約下で動作可能であることを実証し, 制御アプリケーションで実現可能であることを示す。 これらの結果は, ロボット工学におけるロバストなシステム識別のための将来的な方向として, 生成メタモデルを強調した。

関連論文リスト

• Adaptive Diffusion Posterior Sampling for Data and Model Fusion of Complex Nonlinear Dynamical Systems [1.9800280967139285]
  カオス・高次元非線形力学系の高忠実度数値シミュレーションは計算コストが高い。 このような系のほとんどの代理モデルは決定論的であり、例えば、ニューラル作用素が関与する場合である。 この研究は、生成機械学習を利用した代理モデリングの定式化を提案する。
  論文  参考訳（メタデータ） (2026-03-13T04:11:37Z)
• Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
  オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。 i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T06:26:02Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• Data-Driven Stochastic Closure Modeling via Conditional Diffusion Model and Neural Operator [0.0]
  クロージャモデルは、乱流や地球系のような複雑なマルチスケール力学系をシミュレートするのに広く用いられている。 明確なスケールを持たないシステムでは、一般化決定論的および局所閉包モデルは十分な能力に欠けることが多い。 ニューラル演算子と非局所クロージャモデルを構築するためのデータ駆動モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-06T05:21:31Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)

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。