Fugu-MT 論文翻訳(概要): HDFlow: Hierarchical Diffusion-Flow Planning for Long-horizon Tasks

論文の概要: HDFlow: Hierarchical Diffusion-Flow Planning for Long-horizon Tasks

arxiv url: http://arxiv.org/abs/2605.04525v1
Date: Wed, 06 May 2026 06:08:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-07 18:41:07.666422
Title: HDFlow: Hierarchical Diffusion-Flow Planning for Long-horizon Tasks
Title（参考訳）: HDFlow: 長距離タスクのための階層的拡散フロー計画
Abstract要約: 階層的拡散フロー(HDFlow)は,新しい階層的計画フレームワークである。 HDFlowは拡散と整流モデルの強みを最適に活用し、単一パラダイム生成プランナの限界を克服する。シミュレーションと実世界の4つの困難な家具組立作業におけるHDFlowの評価を行った。
参考スコア（独自算出の注目度）: 11.988273046923782
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advances in generative models have shown promise in generating behavior plans for long-horizon, sparse reward tasks. While these approaches have achieved promising results, they often lack a principled framework for hierarchical decomposition and struggle with the computational demands of real-time execution, due to their iterative denoising process. In this work, we introduce Hierarchical Diffusion-Flow (HDFlow), a novel hierarchical planning framework that optimally leverages the strengths of diffusion and rectified flow models to overcome the limitations of single-paradigm generative planners. HDFlow employs a high-level diffusion planner to generate sequences of strategic subgoals in a learned latent space, capitalizing on diffusion's powerful exploratory capabilities. These subgoals then guide a low-level rectified flow planner that generates smooth and dense trajectories, exploiting the speed and efficiency of ordinary differential equation (ODE)-based trajectory generation. We evaluate HDFlow on four challenging furniture assembly tasks in both simulation and real-world, where it significantly outperforms state-of-the-art methods. Furthermore, we also showcase our method's generalizability on two long-horizon benchmarks comprising diverse locomotion and manipulation tasks. Project website: https://hdflow-page.github.io/
Abstract（参考訳）: 生成モデルにおける最近の進歩は, 長期的, まばらな報酬タスクの行動計画の生成において有望であることを示している。これらの手法は有望な結果を得たが、しばしば階層的な分解やリアルタイム実行の計算要求に対処するための原則的な枠組みが欠如している。本稿では,単一パラダイム生成プランナの限界を克服するために,拡散と整流モデルの強みを最適に活用する新しい階層型計画フレームワークである階層拡散フロー(HDFlow)を紹介する。 HDFlowは高レベルの拡散プランナーを使用して、学習された潜在空間における戦略的サブゴールのシーケンスを生成し、拡散の強力な探索能力を活用する。これらのサブゴールは、滑らかで密度の高い軌道を生成する低レベルの整流プランナーを誘導し、通常の微分方程式(ODE)に基づく軌道生成の速度と効率を利用する。シミュレーションと実世界の4つの困難な家具組立作業におけるHDFlowの評価を行った。さらに,多種多様な移動タスクと操作タスクからなる2つのロングホライゾンベンチマークに対して,本手法の一般化可能性を示す。プロジェクトウェブサイト:https://hdflow-page.github.io/

関連論文リスト

XYZFlow:Scaling Multi dimensional Shortcut Flows for Efficient Generative Modeling [24.78695434475162]
XYZFlowは、フローマッチングの多次元スケーリングを通じて効率的な生成を再考するフレームワークである。次のショートカット予測では、モデルのスケーリングやステップの削減よりも、品質とレイテンシのトレードオフが優れている。
論文参考訳（メタデータ） (2026-08-12T17:15:42Z)
ChainFlow-VLA: Causal Flow Planning with Vision-Language Models [7.814547378443577]
現在のエンドツーエンドの自動運転システムは、時間的因果推論とグローバルな軌道整合性のミスマッチによって、基本的に制限されている。本稿では,一貫した確率的枠組みの中で因果生成とグローバルな洗練を統一するChainFlow-VLAを提案する。実験により、ChainFlow-VLAは曖昧で長い尾のシナリオで堅牢な計画を実現し、NAVSIM v1のリーダーボードで94.85の最先端スコアを達成した。
論文参考訳（メタデータ） (2026-05-22T06:17:35Z)
Push Smarter, Not Harder: Hierarchical RL-Diffusion Policy for Efficient Nonprehensile Manipulation [8.7216199131049]
HeRDは階層的な強化学習拡散政策であり、プッシュタスクを高レベルの目標選択と低レベルの軌道生成という2つのレベルに分解する。我々は、中間空間目標を選択するための高レベル強化学習エージェントと、それに到達するための実用的で効率的な軌道を生成するための低レベル目標条件拡散モデルを用いる。この結果から,階層的制御を低レベル計画に組み込むことが,スケーラブルで目標指向の非包括的操作において有望な方向であることが示唆された。
論文参考訳（メタデータ） (2025-12-10T21:40:22Z)
DyFlow: Dynamic Workflow Framework for Agentic Reasoning [79.19799197382478]
DyFlowは動的ワークフロー生成フレームワークで、タスク要求とリアルタイム中間フィードバックに基づいて推論手順を適応的に構築し、調整する。社会的推論,生物医学的タスク,数学的問題解決,コード生成など,さまざまな領域でDyFlowを体系的に評価する。結果は、DyFlowが既存のベースラインを大幅に上回り、Pass@kの改善を実現し、さまざまなドメインにわたって堅牢な一般化を示すことを示した。
論文参考訳（メタデータ） (2025-09-30T10:36:23Z)
CHD: Coupled Hierarchical Diffusion for Long-Horizon Tasks [10.13048343565914]
拡散に基づくプランナーは、短期水平タスクでは強い性能を示してきたが、しばしば複雑な長期水平設定では失敗する。本稿では,HLサブゴールとLL軌道を統一拡散過程内で共同でモデル化するフレームワークであるCoupled Hierarchical Diffusionを提案する。迷路のナビゲーション、テーブルトップ操作、家庭環境における実験は、CHDがフラットな拡散ベースラインと階層的な拡散ベースラインの両方を一貫して上回っていることを示している。
論文参考訳（メタデータ） (2025-05-12T06:21:48Z)
Nesterov Method for Asynchronous Pipeline Parallel Optimization [59.79227116582264]
パイプライン並列処理における非同期最適化のために,Nesterov Accelerated Gradient (NAG) の変種を導入する。具体的には、NAGのルックアヘッドステップを変更して、勾配の安定性を効果的に解決する。我々は、勾配の固定遅延の存在下で、我々のアプローチがサブ線形速度で収束することを理論的に証明する。
論文参考訳（メタデータ） (2025-05-02T08:23:29Z)
Extendable Long-Horizon Planning via Hierarchical Multiscale Diffusion [62.91968752955649]
本稿では,学習データよりも長い軌道計画を行うための,拡張可能な長期計画支援エージェントの課題に対処する。より短いものを縫い合わせることで、より長い軌跡を反復的に生成する拡張法を提案する。 HM-ディフューザーは階層構造を用いてこれらの拡張軌道を訓練し、複数の時間スケールにわたるタスクを効率的に処理する。
論文参考訳（メタデータ） (2025-03-25T22:52:46Z)
Efficient Diversity-Preserving Diffusion Alignment via Gradient-Informed GFlowNets [65.42834731617226]
そこで我々は,Nabla-GFlowNetと呼ばれる拡散モデルファインタニングのための強化学習手法を提案する。提案手法は,大規模テキスト条件による画像拡散モデルである安定拡散の高速かつ多様かつ事前保存的な微調整を実現する。
論文参考訳（メタデータ） (2024-12-10T18:59:58Z)
Diffusion Meets Options: Hierarchical Generative Skill Composition for Temporally-Extended Tasks [12.239868705130178]
線形時間論理(LTL)によって規定された命令に基づいて計画の生成と更新を行うデータ駆動階層型フレームワークを提案する。提案手法は,オフラインの非専門家データセットから階層的強化学習を用いて,時間的タスクを選択肢の連鎖に分解する。バッチ生成における行列誘導後サンプリング手法を考案し,拡散生成オプションの速度と多様性を向上する。
論文参考訳（メタデータ） (2024-10-03T11:10:37Z)
FlowIE: Efficient Image Enhancement via Rectified Flow [71.6345505427213]
FlowIEはフローベースのフレームワークであり、基本的な分布から高品質な画像への直線パスを推定する。私たちのコントリビューションは、合成および実世界のデータセットに関する包括的な実験を通じて、厳密に検証されています。
論文参考訳（メタデータ） (2024-06-01T17:29:29Z)
Simple Hierarchical Planning with Diffusion [54.48129192534653]
拡散に基づく生成法は、オフラインデータセットによる軌跡のモデリングに有効であることが証明されている。階層型および拡散型プランニングの利点を組み合わせた高速かつ驚くほど効果的な計画手法である階層型ディフューザを導入する。我々のモデルは、より高いレベルで「ジャンピー」な計画戦略を採用しており、より大きな受容場を持つことができるが、計算コストは低い。
論文参考訳（メタデータ） (2024-01-05T05:28:40Z)

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。