論文の概要: SPADE: Sketch-guided Path Planning Augmented with Diffusion Experts

• arxiv url: http://arxiv.org/abs/2606.03512v1
• Date: Tue, 02 Jun 2026 11:29:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.969109
• Title: SPADE: Sketch-guided Path Planning Augmented with Diffusion Experts
• Title（参考訳）: SPADE: 拡散の専門家によるスケッチ誘導経路計画
• Authors: Charbel Abi Hana, Tatiana Ghantous, Mikael Khalil, Anthony Rizk,
• Abstract要約: 最近の最先端フレームワークは、模倣学習を利用して、専門家によるデモンストレーションから行動固有の経路計画モデルを訓練している。 これらのアプローチは、目に見えない環境への限定的な一般化と、デモコレクションにおけるロバストさの2つの重要な制限に直面している。 本稿では、ROS 2上に構築されたアノテーションツールの改訂と、拡散ベースの拡張をベースラインの行動クローンモデルに統合する新しいトレーニング戦略という、2つの主要な貢献に焦点を当てた拡張フレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Path planning is essential for Autonomous Mobile Robots (AMRs). Conventional methods for incorporating human preferences into planning typically rely on either complex reward engineering or hardware-intensive solutions. Recent state-of-the-art frameworks leverage imitation learning to train behavior-specific path planning models from expert demonstrations. However, these approaches face two key limitations: limited generalization to unseen environments and low robustness in demonstration collection. To address these challenges, this work introduces an enhanced framework that focuses on two main contributions: an overhauled annotation tool built on ROS 2, and a novel training strategy that integrates diffusion-based augmentation into baseline behavioral cloning models. A dataset of expert demonstrations is provided and evaluated through ablation studies to assess the robustness of the proposed solution. The enhanced approach outperforms state-of-the-art methods with 39.1% lower Absolute Pose Error (APE) and 33.5% lower Fr'echet Inception Distance (FID) while having 93.8% less trainable parameters. Moreover it attains diffusion-level generalization while preserving the real-time, on-edge properties of state-of-the-art models.
• Abstract（参考訳）: 自律移動ロボット(AMR)には経路計画が不可欠である。 人間の好みを計画に組み込む従来の方法は、通常、複雑な報酬工学またはハードウェア集約的なソリューションに依存する。 最近の最先端フレームワークは、模倣学習を利用して、専門家によるデモンストレーションから行動固有の経路計画モデルを訓練している。 しかし、これらのアプローチは、目に見えない環境への一般化の制限と、デモコレクションにおけるロバストさの2つの重要な制限に直面している。 これらの課題に対処するために、ROS 2上に構築された改訂されたアノテーションツールと、拡散ベースの拡張をベースラインの行動クローンモデルに統合する新しいトレーニング戦略という、2つの主要な貢献に焦点を当てた拡張フレームワークを導入する。 提案手法のロバスト性を評価するために、アブレーション研究を通じて専門家によるデモンストレーションのデータセットを提供し、評価する。 改良されたアプローチは、39.1%のAbsolute Pose Error(APE)、33.5%のFr'echet Inception Distance(FID)、93.8%のトレーニング可能なパラメータを持つ最先端の手法よりも優れている。 さらに、最先端モデルのリアルタイム・オンエッジ特性を保ちながら拡散準位一般化を実現する。

関連論文リスト

• DiffusionOPD: A Unified Perspective of On-Policy Distillation in Diffusion Models [55.01951088768769]
  DiffusionOPDはオンライン政策蒸留(OPD)に基づく拡散モデルのための新しいマルチタスクトレーニングパラダイムである 本研究では,DiffusionOPDがトレーニング効率と最終性能において,マルチリワードRLとカスケードRLのベースラインを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-14T16:49:09Z)
• MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
  汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。 多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。 MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-02-22T01:39:16Z)
• SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models [73.19077622773075]
  本稿では,空間知能を段階的に構築するための包括的方法論を提案する。 オブジェクトローカライゼーション、単一画像、マルチビュー、ビデオ空間推論タスクにまたがる26,610のサンプルを含むマルチモーダルデータセットであるSpatialLadder-26kを紹介する。 本研究では,物体の局所化による空間知覚の確立,多次元空間的タスクによる空間理解の発達,および検証可能な報酬を用いた強化学習による複雑な推論の強化を目的とした3段階のプログレッシブ・トレーニング・フレームワークを設計する。
  論文  参考訳（メタデータ） (2025-10-09T17:50:54Z)
• Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
  マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。 離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。 本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
  論文  参考訳（メタデータ） (2025-08-27T17:59:36Z)
• Automated Modeling Method for Pathloss Model Discovery [1.7373039830910548]
  本稿では,解釈可能性を維持しながら経路損失モデルの発見を加速する新しい手法を提案する。 一つはDeep Symbolic Regressionをベースとし、もうひとつは完全な解釈可能性を提供し、もうひとつはKolmogorov-Arnold Networksをベースとし、2段階の解釈性を提供する。 以上の結果から,コルモゴロフ・アルノルドネットワークは最小の予測誤差で1に近い決定値R2の係数を達成する一方,Deep Symbolic Regressionは適度な精度でコンパクトなモデルを生成することがわかった。
  論文  参考訳（メタデータ） (2025-05-29T12:04:07Z)
• Versatile Navigation under Partial Observability via Value-guided Diffusion Policy [14.967107015417943]
  部分観測可能条件下での2次元および3次元経路計画のための多目的拡散に基づくアプローチを提案する。 具体的には、価値誘導拡散政策は、まず様々な段階にわたって行動を予測する計画を生成する。 次に、状態推定を伴う微分可能なプランナーを用いて値関数を導出し、エージェントの探索とゴール探索の振る舞いを指示する。
  論文  参考訳（メタデータ） (2024-04-01T19:52:08Z)
• Training-based Model Refinement and Representation Disagreement for Semi-Supervised Object Detection [8.096382537967637]
  半教師付き物体検出(SSOD)は、既存の物体検出器の性能と一般化を改善することを目的としている。 近年のSSOD法は, 古典的指数移動平均 (EMA) 戦略を用いて, モデル改良の不十分さが問題となっている。 本稿では,新しいトレーニングベースモデル改良段階と,シンプルで効果的な表現不一致(RD)戦略を提案する。
  論文  参考訳（メタデータ） (2023-07-25T18:26:22Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• Adversarial Distributional Training for Robust Deep Learning [53.300984501078126]
  逆行訓練(AT)は、逆行例によるトレーニングデータを増やすことにより、モデルロバスト性を改善する最も効果的な手法の一つである。 既存のAT手法の多くは、敵の例を作らせるために特定の攻撃を採用しており、他の目に見えない攻撃に対する信頼性の低い堅牢性につながっている。 本稿では,ロバストモデル学習のための新しいフレームワークであるADTを紹介する。
  論文  参考訳（メタデータ） (2020-02-14T12:36:59Z)

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。