論文の概要: Neural Navigation Functions for Zero-Shot Generalizable Motion Planning

• arxiv url: http://arxiv.org/abs/2606.03756v1
• Date: Tue, 02 Jun 2026 15:06:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.095816
• Title: Neural Navigation Functions for Zero-Shot Generalizable Motion Planning
• Title（参考訳）: ゼロショット一般化可能な運動計画のためのニューラルナビゲーション機能
• Authors: Benjamin D. Shaffer, Pei-An Hsieh, Brooks Kinch, Nathaniel Trask, M. Ani Hsieh,
• Abstract要約: 我々は,未知の環境空間を横断するゼロショット転送が可能な,学習されたリアクティブナビゲーション機能であるニューラルナビゲーション関数(Neural-NF)を紹介した。 Neural-NFは、データ駆動型適応を構造化楕円型プランナーに配置する。
• 参考スコア（独自算出の注目度）: 7.60216127875876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Neural Navigation Functions (Neural-NF), a learned reactive navigation function capable of zero-shot transfer across unseen environment geometries. Neural-NF places data-driven adaptation within a structured elliptic planner, where the navigation objective is learned while planner structure is preserved by construction. Specifically, intrinsic Laplacian-derived features are mapped to local PDE coefficients, and solving the resulting boundary value problem produces a globally consistent value function on each target domain. For every admissible learned model, the resulting policy is collision-free, provides monotonic descent and a global minimum at the goal by construction. This admits a linearly-solvable optimal-control interpretation for any parameter setting. Empirically, Neural-NF achieves strong zero-shot transfer across diverse geometries and outperforms learned planners that directly predict the value function by up to a $5\times$ improvement.
• Abstract（参考訳）: 我々は,未知の環境空間を横断するゼロショット転送が可能な,学習されたリアクティブナビゲーション機能であるニューラルナビゲーション関数(Neural-NF)を紹介した。 Neural-NFは、データ駆動型適応を構造化楕円型プランナーに配置する。 具体的には、固有のラプラシア起源の特徴を局所的なPDE係数にマッピングし、得られた境界値問題を解くことにより、各対象領域に一貫した値関数を生成する。 すべての許容可能な学習モデルに対して、結果として得られるポリシーは衝突のないものであり、単調な降下と、建設によるゴールにおける大域的な最小を提供する。 これは任意のパラメータ設定に対して線形に解ける最適制御の解釈を認める。 経験的に、Neural-NFは多様なジオメトリをまたいで強力なゼロショット転送を実現し、学習したプランナーが最大5ドルの改善率で値関数を直接予測する性能を向上する。

関連論文リスト

• Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning [6.099164699589391]
  目的条件付きスムーズなニューラル常微分方程式(ニューラルODE)をバイリプシッツ微分同相法により構築する。 提案手法では,バイリプシッツニューラルネットワークを用いた抽出可能な学習実装を認め,実演データを組み込むことができる。
  論文  参考訳（メタデータ） (2026-04-03T07:40:14Z)
• Neural-POD: A Plug-and-Play Neural Operator Framework for Infinite-Dimensional Functional Nonlinear Proper Orthogonal Decomposition [7.1950116347185995]
  本稿では,プラグアンドプレイ型ニューラルオペレーターフレームワークであるNeural Proper Orthogonal Decomposition(Neural-POD)を提案する。 ニューラルPODは、ニューラルネットワークのトレーニングによって解決された残差最小化問題の系列として基礎構築を定式化する。 我々は,バーガーズ方程式やナビエストークス方程式など,複雑な分解能の異なるニューラルPODのロバスト性を示す。
  論文  参考訳（メタデータ） (2026-02-17T15:01:40Z)
• Barycentric Neural Networks and Length-Weighted Persistent Entropy Loss: A Green Geometric and Topological Framework for Function Approximation [0.0]
  BNN(Barycentric Neural Network)は,構造とパラメータを固定されたベースポイントと関連するバリ中心座標によってエンコードする,コンパクトな浅層アーキテクチャである。 我々は,BNNが連続的部分的線形関数(CPLF)の正確な表現を可能にし,セグメント間の厳密な連続性を保証することを示す。 提案手法は,内部パラメータではなく,BNNを定義するベースポイントを最適化するために,LWPEに基づく損失関数とBNNを統合している。
  論文  参考訳（メタデータ） (2025-09-08T13:47:21Z)
• Globally aware optimization with resurgence [0.0]
  複素解析から再生理論を利用してグローバルな構造情報を抽出する新しい最適化フレームワークを提案する。 我々の重要な洞察は、パラメータ空間分割関数の因果的に発散する摂動展開は、ランドスケープにおける全ての臨界目標関数の正確な情報をエンコードするということである。 適応的な手法とは異なり、ターゲットはランドスケープの幾何学に理論的に基礎を置いている。
  論文  参考訳（メタデータ） (2025-09-01T10:12:13Z)
• Global Convergence and Rich Feature Learning in $L$-Layer Infinite-Width Neural Networks under $μ$P Parametrization [66.03821840425539]
  本稿では, テンソル勾配プログラム(SGD)フレームワークを用いた$L$層ニューラルネットワークのトレーニング力学について検討する。 SGDにより、これらのネットワークが初期値から大きく逸脱する線形独立な特徴を学習できることを示す。 このリッチな特徴空間は、関連するデータ情報をキャプチャし、トレーニングプロセスの収束点が世界最小であることを保証する。
  論文  参考訳（メタデータ） (2025-03-12T17:33:13Z)
• Geometric Neural Process Fields [58.77241763774756]
  幾何学的ニューラル・プロセス・フィールド(Geometric Neural Process Fields, G-NPF)は、ニューラル・ラディアンス・フィールドの確率的フレームワークである。 これらの基盤の上に構築された階層型潜在変数モデルにより、G-NPFは複数の空間レベルにまたがる構造情報を統合できる。 3次元シーンと2次元画像と1次元信号レグレッションの新規ビュー合成実験により,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-02-04T14:17:18Z)
• Neural Operators with Localized Integral and Differential Kernels [77.76991758980003]
  本稿では,2つのフレームワークで局所的な特徴をキャプチャできる演算子学習の原理的アプローチを提案する。 我々はCNNのカーネル値の適切なスケーリングの下で微分演算子を得ることを示す。 局所積分演算子を得るには、離散連続的畳み込みに基づくカーネルの適切な基底表現を利用する。
  論文  参考訳（メタデータ） (2024-02-26T18:59:31Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。