論文の概要: ChronoForest: Closed-Loop Multi-Tree Diffusion Planning for Efficient Bridge Search and Route Composition
- arxiv url: http://arxiv.org/abs/2606.06618v1
- Date: Thu, 04 Jun 2026 18:09:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.398192
- Title: ChronoForest: Closed-Loop Multi-Tree Diffusion Planning for Efficient Bridge Search and Route Composition
- Title（参考訳）: クロノフォレスト:効率的な橋梁探索と経路構成のための閉ループ多経路拡散計画
- Authors: Jungmin Seo, Jaesik Park,
- Abstract要約: ChronoForestは、ローカルブリッジ検索とオンラインルート再解決を兼ね備えたクローズドループ計画システムである。
OGBench AntMaze-Stitchでは、ChronoForestは99.8%、99.3%、そして99.5%の成功を収めている。
- 参考スコア（独自算出の注目度）: 32.894548942534364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How can we plan long-horizon routes that reach designated goals, visit required waypoints, and remain short when only short-horizon offline trajectories are available? This problem matters in offline navigation because collecting sufficiently rich long-horizon data is difficult, yet real agents must still solve long-range tasks with route-level efficiency rather than mere feasibility. The difficulty is twofold: at the microscopic level, composing many short-horizon segments creates a trade-off between search cost and path quality, while at the macroscopic level, waypoint ordering requires comparing pairwise travel costs among start, goal, and waypoint anchors that are unknown before planning and increasingly unreliable when estimated only from long-range temporal distance. In this paper, we propose ChronoForest, a closed-loop planning system that couples local bridge search and online route re-solving through an anchor-chaining tree diffusion planner and an online multi-tree orchestrator. ChronoForest uses temporal distance for short-range guidance and node evaluation, while using search-time bridge evidence to validate long-range anchor connectivity and repeatedly re-solve the route. On OGBench AntMaze-Stitch, ChronoForest achieves 99.8%, 99.3%, and 99.5% success on the medium, large, and giant splits and improves giant-stitch success by up to 34.5 points over prior reported diffusion-based results. On Hamiltonian route-composition benchmarks, online re-solving corrects poor temporal orderings and improves route quality while remaining substantially cheaper than exhaustive planning.
- Abstract（参考訳）: 短時間のオフライン軌道しか利用できない場合、どうやって、指定された目標に到達し、必要なウェイポイントを訪れ、不足しているロングホライゾンルートを計画できるのか。
この問題は、十分にリッチな長距離データ収集が難しいためオフラインナビゲーションにおいて重要であるが、実際のエージェントは、単なる実現可能性ではなく、経路レベルの効率で長距離タスクを解決しなければならない。
顕微鏡レベルでは、多くの短水平セグメントを構成することで、探索コストと経路品質のトレードオフが生じるのに対し、マクロレベルでは、ウェイポイントオーダリングでは、スタート、ゴール、ウェイポイントアンカー間のペアの移動コストを比較する必要がある。
本稿では,局所的な橋梁探索と,アンカーチェーンツリー拡散プランナとオンラインマルチツリーオーケストレータによるオンラインルート再解決を両立するクローズドループ計画システムであるChronoForestを提案する。
ChronoForestは、短距離誘導とノード評価に時間的距離を使用し、検索時ブリッジエビデンスを使用して長距離アンカー接続を検証し、繰り返しルートを再解決する。
OGBench AntMaze-Stitchでは、ChronoForestは99.8%、99.3%、99.5%を中・大・大の分割で達成し、前回の拡散に基づく結果よりも最大34.5ポイントの巨大スティッチ成功を達成している。
ハミルトニアンのルート構成ベンチマークでは、オンライン再解決は時間的順序の低下を補正し、ルート品質を改善しながら、徹底的な計画よりも実質的に安価に維持する。
関連論文リスト
- Adaptive Coarse-to-Fine Subgoal Refinement for Long-Horizon Offline Goal-Conditioned Reinforcement Learning [16.15046948057208]
我々は,実行前に遠隔目標を適応的に洗練する完全オフライン目標条件強化学習フレームワークを提案する。
OGBenchの実験は、提案された改善と停止機構を検証し、いくつかの長期的タスクに対してかなりの効果を示した。
論文 参考訳（メタデータ） (2026-05-27T08:17:01Z) - NaviFormer: A Deep Reinforcement Learning Transformer-like Model to Holistically Solve the Navigation Problem [53.70554593151033]
NaviFormerは、高レベル経路と低レベル軌道の両方を予測することによって、グローバルナビゲーション問題を解決する深層強化学習モデルである。
結果は,各サブプロブレムの制約や難易度を理解することができるため,NaviFormerの競合精度を示す。
計算速度が優れていることは、リアルタイムのミッションに適していることを証明している。
論文 参考訳（メタデータ） (2026-04-18T11:32:34Z) - LongCoT: Benchmarking Long-Horizon Chain-of-Thought Reasoning [50.27907326876949]
LongCoTは、化学、数学、計算機科学、チェス、論理学にまたがる2500の専門家によって設計された問題のスケーラブルなベンチマークである。
LongCoTは長い水平推論の厳密な尺度を提供し、フロンティアモデルが長期にわたって確実に推論できる能力を追跡する。
論文 参考訳（メタデータ） (2026-04-15T17:58:05Z) - Collision-Free Velocity Scheduling for Multi-Agent Systems on Predefined Routes via Inexact-Projection ADMM [0.0]
構造化マルチエージェントプロジェクトでは、エージェントは事前に定義されたルートをたどらなければならず、リルーチンや不可能となる。
本稿では,各エージェントの割り当てられた経路の順序と名前付き経路の割り当てを保ちながら,経路制約付きマルチエージェント協調に対処する。
論文 参考訳（メタデータ） (2026-03-23T12:34:18Z) - Traffic-Aware Navigation in Road Networks [0.0]
本研究は,キングストンの道路網における交通認識ナビゲーションの課題に対する3つのグラフ探索手法を比較した。
Dijkstra と A* は、最小限の事前処理を必要とする最もトラフィック対応の最適ソリューションとなった。
フロイド=ワースホール=インガーマン(Floyd-Warshall-Ingerman)は、リアルタイムでは最速であったが、交通の注意を払わず、距離に基づく経路を提供した。
論文 参考訳（メタデータ） (2026-02-02T14:35:49Z) - 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) - RoadRunner M&M -- Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation [12.835198004089385]
RoadRunner (M&M) はエンドツーエンドの学習ベースのフレームワークで、さまざまな範囲のトレーバービリティと標高マップを直接予測する。
RoadRunner M&Mは、標高マッピングで最大50%の大幅な改善と、RoadRunner上でのトラバーサビリティ推定で30%の大幅な改善を実現している。
論文 参考訳（メタデータ） (2024-09-17T07:21:03Z) - Multitask Weakly Supervised Learning for Origin Destination Travel Time
Estimation [8.531695291898815]
本論文は,道路網とOD旅行時間とを組み合わせて推定し始める。
現在の経路の共発生確率を最大化する新たな経路回復関数が提案されている。
我々は、Xi'anとChengduで、幅広い現実世界のタクシーのデータセットの実験を行っている。
論文 参考訳（メタデータ） (2023-01-13T00:11:56Z) - Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks
Relying on Real Flight Data: From Single-Objective to Near-Pareto
Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。
フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。
DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文 参考訳（メタデータ） (2021-10-28T14:18:22Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z)
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。