論文の概要: Diffusion-Based Optimization for Accelerated Convergence of Redundant Dual-Arm Minimum Time Problems

• arxiv url: http://arxiv.org/abs/2604.16670v1
• Date: Fri, 17 Apr 2026 20:01:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 14:20:56.829527
• Title: Diffusion-Based Optimization for Accelerated Convergence of Redundant Dual-Arm Minimum Time Problems
• Title（参考訳）: 冗長二元最小時間問題の高速化のための拡散に基づく最適化
• Authors: Jushan Chen, Jonathan Fried, Santiago Paternain,
• Abstract要約: 本稿では、モデルに基づく計算モデルに基づく拡散アルゴリズムの新たな変種を、冗長なデュアルアームロボット構成のための望ましい経路に従うために提案する。
• 参考スコア（独自算出の注目度）: 2.4010681808413397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a framework leveraging a novel variant of the model-based diffusion algorithm to minimize the time required for a redundant dual-arm robot configuration to follow a desired relative Cartesian path. Our prior work proposed a bi-level optimization approach for the dual-arm problem, where we derived the analytical solution to the lower-level convex sub-problem and solved the high-level nonconvex problem using a primal-dual approach. However, the gradient-based nature leads to a large computation overhead, and it prohibits directly imposing an $L_{\infty}$ Cartesian error constraint along the joint trajectory due to the sparsity of the gradient. In this work, we propose a diffusion-based framework that relies on probabilistic sampling to tackle the aforementioned challenges in the nonconvex high-level problem, leading to a 35x reduction in the runtime and 34\% less Cartesian error compared to our prior work.
• Abstract（参考訳）: 本稿では,モデルベース拡散アルゴリズムの新たな変種を利用して,両腕ロボット構成の冗長化に必要な時間を最小限に抑える枠組みを提案する。 両腕問題に対する二段最適化手法を提案し, 解析解を低段凸サブプロブレムに導出し, 原始双対法を用いて高段非凸問題を解いた。 しかし、勾配に基づく性質は計算オーバーヘッドの大きな原因となり、勾配の空間性のために関節軌道に沿ったカルテシアン誤差制約を$L_{\infty}$Cartesian を直接課すことを禁止している。 本研究では,非凸高レベル問題における上記の課題に対処するために,確率的サンプリングに依存する拡散型フレームワークを提案する。

関連論文リスト

• Approximate Gradient Coding for Distributed Learning with Heterogeneous Stragglers [8.873449722727026]
  分散学習におけるストラグラー問題を軽減するため,最適に構造化された勾配符号化方式を提案する。 提案手法はストラグラーの影響を著しく低減し,既存の手法と比較して収束を加速する。
  論文  参考訳（メタデータ） (2025-10-26T05:32:18Z)
• Nonconvex Optimization Framework for Group-Sparse Feedback Linear-Quadratic Optimal Control: Non-Penalty Approach [3.585860184121598]
  固定通信(DFT-LQ)を用いた分散線形四元数問題と下位次次次フィードバック問題について検討した。
  論文  参考訳（メタデータ） (2025-07-26T09:50:21Z)
• A First-order Generative Bilevel Optimization Framework for Diffusion Models [57.40597004445473]
  拡散モデルは、データサンプルを反復的に分解して高品質な出力を合成する。 従来の二値法は無限次元の確率空間と禁制的なサンプリングコストのために失敗する。 我々はこの問題を生成的二段階最適化問題として定式化する。 従来の2段階法と拡散過程の非互換性を克服する。
  論文  参考訳（メタデータ） (2025-02-12T21:44:06Z)
• Faster Algorithm and Sharper Analysis for Constrained Markov Decision Process [56.55075925645864]
  制約付き意思決定プロセス (CMDP) の問題点について検討し, エージェントは, 複数の制約を条件として, 期待される累積割引報酬を最大化することを目的とする。 新しいユーティリティ・デュアル凸法は、正規化ポリシー、双対正則化、ネステロフの勾配降下双対という3つの要素の新たな統合によって提案される。 これは、凸制約を受ける全ての複雑性最適化に対して、非凸CMDP問題が$mathcal O (1/epsilon)$の低い境界に達する最初の実演である。
  論文  参考訳（メタデータ） (2021-10-20T02:57:21Z)
• A Feasible Level Proximal Point Method for Nonconvex Sparse Constrained Optimization [25.73397307080647]
  本稿では,汎用凸あるいは非汎用機械目標の新しいモデルを提案する。 本稿では,各サブプロブレムの点レベルを徐々に緩和した制約を解くアルゴリズムを提案する。 我々は,新しい数値スケール問題の有効性を実証する。
  論文  参考訳（メタデータ） (2020-10-23T05:24:05Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)
• IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
  本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。 提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。 加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
  論文  参考訳（メタデータ） (2020-06-11T18:49:06Z)
• Effective Dimension Adaptive Sketching Methods for Faster Regularized Least-Squares Optimization [56.05635751529922]
  スケッチに基づくL2正規化最小二乗問題の解法を提案する。 我々は、最も人気のあるランダム埋め込みの2つ、すなわちガウス埋め込みとサブサンプリングランダム化アダマール変換(SRHT)を考える。
  論文  参考訳（メタデータ） (2020-06-10T15:00:09Z)
• Stochastic gradient algorithms from ODE splitting perspective [0.0]
  我々は、ODEの近似解の分割スキームに遡る最適化に関する異なる見解を示す。 そこで本研究では, ODE の勾配一階分割方式と降下アプローチの関連性について述べる。 我々は、機械学習アプリケーションにインスパイアされた分割の特殊なケースを考察し、それに対するグローバルスプリッティングエラーに新たな上限を導出する。
  論文  参考訳（メタデータ） (2020-04-19T22:45:32Z)

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。