論文の概要: WarmPrior: Straightening Flow-Matching Policies with Temporal Priors
- arxiv url: http://arxiv.org/abs/2605.13959v1
- Date: Wed, 13 May 2026 18:00:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.437277
- Title: WarmPrior: Straightening Flow-Matching Policies with Temporal Priors
- Title（参考訳）: WarmPrior: 時間優先のフローマッチングポリシの強化
- Authors: Sinjae Kang, Chanyoung Kim, Kaixin Wang, Li Zhao, Kimin Lee,
- Abstract要約: WarmPriorはロボット操作タスクの成功率を継続的に向上させる。
我々は、この利得を、整流流における最適輸送結合の効果を反映して、よりストレートな確率経路へと遡る。
- 参考スコア（独自算出の注目度）: 31.97488393394879
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative policies based on diffusion and flow matching have become a dominant paradigm for visuomotor robotic control. We show that replacing the standard Gaussian source distribution with WarmPrior, a simple temporally grounded prior constructed from readily available recent action history, consistently improves success rates on robotic manipulation tasks. We trace this gain to markedly straighter probability paths, echoing the effect of optimal-transport couplings in Rectified Flow. Beyond standard behavior cloning, WarmPrior also reshapes the exploration distribution in prior-space reinforcement learning, improving both sample efficiency and final performance. Collectively, these results identify the source distribution as an important and underexplored design axis in generative robot control.
- Abstract（参考訳）: 拡散と流れのマッチングに基づく生成ポリシーは、運動ロボット制御において支配的なパラダイムとなっている。
本稿では,従来の動作履歴から構築した簡易な時間的基盤である WarmPrior に標準のガウス音源分布を置き換えることで,ロボット操作タスクの成功率を継続的に向上させることを示す。
我々は、この利得を、整流流における最適輸送結合の効果を反映して、よりストレートな確率経路へと遡る。
WarmPriorは、標準の行動クローニング以外にも、事前空間強化学習における探索分布を再評価し、サンプル効率と最終的なパフォーマンスを改善している。
これらの結果は、生成ロボット制御において、ソース分布を重要かつ未探索な設計軸として認識する。
関連論文リスト
- Path-Guided Flow Matching for Dataset Distillation [9.761850986508895]
本稿では, 数ステップでODEを解くことで, 高速な決定論的合成を可能にする, 生成蒸留のための最初のフローマッチングに基づくフレームワークを提案する。
本研究では, ODE-consistent path control のための連続経路-プロトタイプ誘導アルゴリズムを開発し, トラジェクトリが割り当てられたプロトタイプに確実に着地できるようにする。
論文 参考訳（メタデータ） (2026-02-05T12:52:32Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。
FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。
我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
論文 参考訳（メタデータ） (2025-08-25T02:55:42Z) - Scalable Equilibrium Sampling with Sequential Boltzmann Generators [60.00515282300297]
Boltzmannジェネレータフレームワークを2つの重要なコントリビューションで拡張する。
1つ目は、全原子カルテシアン座標で直接動作する非常に効率的なトランスフォーマーベースの正規化フローである。
特に,連続モンテカルロの連続時間変種を用いて,流れサンプルの推論時スケーリングを行う。
論文 参考訳（メタデータ） (2025-02-25T18:59:13Z) - Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。
最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。
提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
論文 参考訳（メタデータ） (2024-08-01T17:59:59Z) - Learning Sampling Distributions for Model Predictive Control [36.82905770866734]
モデル予測制御(MPC)に対するサンプリングに基づくアプローチは、MPCに対する現代のアプローチの基盤となっている。
我々は、学習された分布を最大限に活用できるように、潜在空間における全ての操作を実行することを提案する。
具体的には、学習問題を双方向の最適化として捉え、バックプロパゲーションスルータイムでコントローラをトレーニングする方法を示す。
論文 参考訳（メタデータ） (2022-12-05T20:35:36Z) - Inferring Smooth Control: Monte Carlo Posterior Policy Iteration with
Gaussian Processes [39.411957858548355]
オンラインシーケンシャル推論を用いて,よりスムーズなモデル予測因子制御を実現する方法を示す。
提案手法は,いくつかのロボット制御タスクにおいて,従来の手法と一致し,スムーズさを確保しつつ評価する。
論文 参考訳（メタデータ） (2022-10-07T12:56:31Z) - Score-Guided Intermediate Layer Optimization: Fast Langevin Mixing for
Inverse Problem [97.64313409741614]
ランダム重み付きDNNジェネレータを反転させるため,Langevinアルゴリズムの定常分布を高速に混合し,特徴付ける。
本稿では,事前学習した生成モデルの潜時空間における後部サンプリングを提案する。
論文 参考訳（メタデータ） (2022-06-18T03:47:37Z)
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。