論文の概要: Reactive Motion Generation via Phase-varying Neural Potential Functions
- arxiv url: http://arxiv.org/abs/2604.26450v1
- Date: Wed, 29 Apr 2026 09:05:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 15:59:36.32304
- Title: Reactive Motion Generation via Phase-varying Neural Potential Functions
- Title（参考訳）: 位相変化ニューラルポテンシャル関数による反応性運動生成
- Authors: Ahmet Tekden, Dimitrios Kanoulas, Aude Billard, Yasemin Bekiroglu,
- Abstract要約: 相変化型ニューラルポテンシャル関数 (PNPF) を導入したLfD(Learning-from-Demonstration) について述べる。
PNPFは、ポイント・ツー・ポイント、周期的、およびフル6次元の動作タスクを効果的に一般化し、既存のトラジェクトリーのベースラインと交差点を上回り、外乱下でのリアルタイムロボット操作において堅牢なパフォーマンスを示す。
- 参考スコア（独自算出の注目度）: 11.19363093406338
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamical systems (DS) methods for Learning-from-Demonstration (LfD) provide stable, continuous policies from few demonstrations. First-order dynamical systems (DS) are effective for many point-to-point and periodic tasks, as long as a unique velocity is defined for each state. For tasks with intersections (e.g., drawing an "8"), extensions such as second-order dynamics or phase variables are often used. However, by incorporating velocity, second-order models become sensitive to disturbances near intersections, as velocity is used to disambiguate motion direction. Moreover, this disambiguation may fail when nearly identical position-velocity pairs correspond to different onward motions. In contrast, phase-based methods rely on open-loop time or phase variables, which limit their ability to recover after perturbations. We introduce Phase-varying Neural Potential Functions (PNPF), an LfD framework that conditions a potential function on a phase variable which is estimated directly from state progression, rather than on open-loop temporal inputs. This phase variable allows the system to handle state revisits, while the learned potential function generates local vector fields for reactive and stable control. PNPF generalizes effectively across point-to-point, periodic, and full 6D motion tasks, outperforms existing baselines on trajectories with intersections, and demonstrates robust performance in real-time robotic manipulation under external disturbances.
- Abstract（参考訳）: 動的システム(DS)によるLfD(Learning-from-Demonstration)の手法は,少数の実演から安定した連続的なポリシを提供する。
1次力学系(DS)は、各状態に対して一意な速度が定義される限り、多くのポイント・ツー・ポイントおよび周期的なタスクに有効である。
交差点 (例: "8" の描画) を持つタスクでは、二階ダイナミックスや位相変数のような拡張がよく使われる。
しかし、速度を取り入れることで、速度が運動方向を曖昧にするために使用されるため、二階モデルは交差点付近の乱れに敏感になる。
さらに、この曖昧さは、ほぼ同一の位置速度対が異なる前方運動に対応するときに失敗する。
対照的に、位相ベースの手法は開ループ時間または位相変数に依存しており、摂動後に回復する能力を制限する。
本稿では,位相変化型ニューラルポテンシャル関数 (PNPF) について述べる。これは,開ループ時間入力ではなく,状態進行から直接推定される位相変数上のポテンシャル関数を条件とするLfDフレームワークである。
この位相変数により、システムは状態の再検討を処理でき、学習されたポテンシャル関数は、反応性と安定な制御のための局所ベクトル場を生成する。
PNPFは、ポイント・ツー・ポイント、周期的、およびフル6次元の動作タスクを効果的に一般化し、既存のトラジェクトリーのベースラインと交差点を上回り、外乱下でのリアルタイムロボット操作において堅牢なパフォーマンスを示す。
関連論文リスト
- Hypergraph-State Collaborative Reasoning for Multi-Object Tracking [63.32950991964095]
複数の相関オブジェクト間の共同推論による動き推定を向上する協調推論フレームワークを提案する。
類似の運動状態を持つ物体同士を互いに拘束し、互いに洗練させることで、我々のフレームワークはノイズの軌道を安定させ、目標を遮蔽しても可塑性運動の連続性を推測する。
論文 参考訳（メタデータ） (2026-04-14T12:37:39Z) - Sparse Autoencoders as a Steering Basis for Phase Synchronization in Graph-Based CFD Surrogates [6.396157607535812]
グラフベースのサロゲートモデルは、高忠実度CFDソルバに代わる高速な代替手段を提供するが、その不透明な潜在空間と制限された制御性は、安全クリティカルな設定での使用を制限する。
凍結サロゲートの潜伏空間を操作することにより, 位相ドリフトをポストホックで補正できるかどうかを問う。
本稿では、適切な表現と適切な介入機構を組み合わせた事前学習グラフベースのCFDモデルのための位相ステア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） (2026-03-28T07:03:44Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - Neural Implicit Action Fields: From Discrete Waypoints to Continuous Functions for Vision-Language-Action Models [35.98187913967879]
本稿では,行動予測を離散的な視点から連続的な行動関数の回帰へ変換するパラダイムシフトを提案する。
提案手法は, CALVIN および LIBERO ベンチマークにおいて, 種々のバックボーンにまたがって, 最新の結果が得られる。
論文 参考訳（メタデータ） (2026-03-02T11:48:24Z) - Learning Discrete Successor Transitions in Continuous Attractor Networks: Emergence, Limits, and Topological Constraints [0.0]
連続引力ネットワーク(Continuous attractor network, CAN)は、頭部方向、空間位置、位相などの低次元連続変数を表す。
標準空間領域では、アトラクタ多様体に沿った遷移は連続的な変位信号によって駆動される。
安定な誘引状態間の後継的な遷移を行うために,CANを訓練するための実験的な枠組みを提案する。
論文 参考訳（メタデータ） (2026-01-20T10:41:18Z) - FunPhase: A Periodic Functional Autoencoder for Motion Generation via Phase Manifolds [2.6041136107390037]
動作の位相多様体を学習し、離散時間デコーディングを関数空間の定式化に置き換える機能周期型オートエンコーダFunPhaseを紹介する。
FunPhaseは、超分解能や部分体モーション補完などの下流タスクをサポートし、スケルトンとデータセットをまたいで一般化し、単一の解釈可能な多様体内でのモーション予測と生成を統一する。
論文 参考訳（メタデータ） (2025-12-10T08:46:53Z) - Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。
シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。
そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
論文 参考訳（メタデータ） (2025-11-13T03:10:39Z) - Bidirectional Feature-aligned Motion Transformation for Efficient Dynamic Point Cloud Compression [97.66080040613726]
特徴空間における動きを暗黙的にモデル化する双方向特徴整合運動変換(Bi-FMT)フレームワークを提案する。
Bi-FMTは、時間的に一貫した潜在表現を生成するために、過去と将来の両方のフレームで機能を調整する。
圧縮効率とランタイムの両方において, Bi-FMT が D-DPCC と AdaDPCC を上回っていることを示す。
論文 参考訳（メタデータ） (2025-09-18T03:51:06Z) - Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。
我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。
トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文 参考訳（メタデータ） (2025-08-11T09:03:10Z) - Stochastic Latent Transformer: Efficient Modelling of Stochastically
Forced Zonal Jets [0.0]
本稿では,SLT(Stochastic Latent Transformer)という新しい確率論的学習手法を提案する。
SLTは、様々な統合期間にわたってシステムダイナミクスを正確に再現し、定量的診断を通じて検証する。
水平平均流をエミュレートする際の5次のマグニチュードスピードアップを実現する。
論文 参考訳（メタデータ） (2023-10-25T16:17:00Z) - Value Iteration in Continuous Actions, States and Time [99.00362538261972]
連続状態と動作に対する連続的適合値反復(cFVI)アルゴリズムを提案する。
非線形制御アフィンダイナミクスに対して最適なポリシを導出することができる。
物理システムのビデオは、urlhttps://sites.google.com/view/value-iteration.comで入手できる。
論文 参考訳（メタデータ） (2021-05-10T21:40:56Z)
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。