Fugu-MT 論文翻訳(概要): Learning Unions of Convex Sets via Invertible Latent Decomposition for Path Planning

論文の概要: Learning Unions of Convex Sets via Invertible Latent Decomposition for Path Planning

arxiv url: http://arxiv.org/abs/2606.12027v1
Date: Wed, 10 Jun 2026 12:49:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-18 14:22:02.12658
Title: Learning Unions of Convex Sets via Invertible Latent Decomposition for Path Planning
Title（参考訳）: 経路計画のための可逆潜在分解による凸集合の学習
Authors: Taerim Yoon, Dongho Kang, Kisang Park, Junha Cha, Stelian Coros, Sungjoon Choi,
Abstract要約: 可逆遅延分解(英: Invertible Latent Decomposition, ILD)は、可逆写像と、結果の潜在空間における明示凸ポリトープの結合を学習するフレームワークである。 ILDは、以前のベースラインよりも広範なカバレッジ、セット間の接続性の向上、パス計画の成功率の向上を実現している。 14-DoF双対マニピュレータにおいて,現場形状の変化に適応した実時間衝突のない計画法を実演する。
参考スコア（独自算出の注目度）: 19.14344979340464
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Collision-free path planning in cluttered, real-world environments relies on a representation of the collision-free space, and existing representations broadly fall into two categories. Explicit representations, such as unions of convex sets, can be plugged into optimization-based planners as hard collision-free constraints, but their parameters scale poorly with configuration-space dimension. Implicit representations, by contrast, are flexible and scale well to complex geometries, yet typically lack such guarantees. We bridge this gap with ILD (Invertible Latent Decomposition), a framework that jointly learns an invertible mapping and a union of explicit convex polytopes in the resulting latent space. Planning is carried out over these latent convex sets, and the invertible mapping decodes the resulting paths back to the original configuration space while preserving feasibility with respect to the refined explicit safe regions. We further propose Visibility-Guided Sampling (VGS) to keep the convex sets connected for path planning. Across 2D navigation, 6-DoF, and 14-DoF manipulation environments, ILD achieves broader coverage, better inter-set connectivity, and higher path-planning success rates than prior baselines, with zero observed false positives after test-time refinement. On a 14-DoF bimanual manipulator, we further demonstrate real-time collision-free planning, with test-time refinement adapting to scene-geometry changes during real-world deployment on a single 6-DoF arm.
Abstract（参考訳）: 乱れた実世界の環境における衝突のない経路計画は、衝突のない空間の表現に依存し、既存の表現は2つのカテゴリに大別される。凸集合の和集合のような明示表現は、ハード衝突のない制約として最適化ベースのプランナーにプラグインできるが、それらのパラメータは構成空間の次元で不十分にスケールする。対照的に、暗黙の表現は柔軟であり、複雑な幾何学によく適合するが、一般にそのような保証を欠いている。このギャップをILD (Invertible Latent Decomposition) で埋める。これは可逆写像と明示凸ポリトープの結合を共同で学習するフレームワークである。これらの潜在凸集合上で計画が行われ、非可逆写像は、洗練された明示された安全な領域に関して実現可能性を維持しながら、結果の経路を元の構成空間に復号する。さらに、経路計画のための凸集合の接続を維持するために、可視性誘導サンプリング(VGS)を提案する。 2Dナビゲーション、6-DoF、14-DoF操作環境を通じて、ILDはテスト時間改善後の観測された偽陽性をゼロとし、広範なカバレッジ、セット間の接続性の向上、パス計画の成功率の向上を実現している。 14-DoF双対マニピュレータ上では,1本の6-DoFアーム上での実世界展開において,現場形状の変化に適応して実時間衝突のないプランニングを行う。

関連論文リスト

Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-25T09:57:46Z)
OcclusionFormer: Arranging Z-Order for Layout-Grounded Image Generation [49.49933361280724]
OcclusionFormerは、インスタンスを分離することで、Zオーダーの優先順位を明示的にモデル化する新しいフレームワークです。また、個別のインスタンスを明示的に監視し、セマンティックな一貫性を高めるクエリアライメント損失を導入します。提案手法は,重なり合う領域の曖昧さを効果的に低減し,正しい閉塞依存性を強制し,構造的整合性を保ち,様々な場面で精度の高い向上をもたらす。
論文参考訳（メタデータ） (2026-05-20T16:10:44Z)
Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
論文参考訳（メタデータ） (2026-05-16T12:01:04Z)
INST-Align: Implicit Neural Alignment for Spatial Transcriptomics via Canonical Expression Fields [1.0487944945684993]
INST-Alignは、座標ベースの変形ネットワークと共有カノニカル表現場を結合する。最先端の平均OT精度(0.702)、NN精度(0.719)、チャンファー距離(94.9%)を実現している。また、生物学的に意味のある空間埋め込みとコヒーレントな3D組織再構築をもたらす。
論文参考訳（メタデータ） (2026-04-13T21:44:18Z)
SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
UAV VLNのための幾何学誘導空間表現フレームワークを提案する。明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
論文参考訳（メタデータ） (2026-03-22T03:56:58Z)
CSSDF-Net: Safe Motion Planning Based on Neural Implicit Representations of Configuration Space Distance Field [23.48697826890044]
非構造環境における高次元マニピュレータ操作には、異なるシーンに依存しない距離問合せ機構が必要である。 CSSDF-Netは、連続署名された距離フィールドを構成空間内で直接学習し、共同空間距離と勾配クエリを提供する。平面アームと7-DoFマニピュレータの実験は、静的および動的シーンにおける安定した勾配、効果的な衝突回避を示す。
論文参考訳（メタデータ） (2026-03-19T09:31:41Z)
Shape-of-You: Fused Gromov-Wasserstein Optimal Transport for Semantic Correspondence in-the-Wild [7.4746628878102195]
Shape-of-Youは意味対応のための教師なし学習フレームワークである。 SPair-71kおよびAP-10kデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2026-03-12T07:22:03Z)
Fast and Safe Trajectory Optimization for Mobile Manipulators With Neural Configuration Space Distance Field [34.07401865897874]
Generalized Space Fields (GCDF) は、ベースアーム結合を移動マニピュレータに拡張するために使用できる。 GCDFは、非有界空間における全体構成をエンコードする。我々はGCDFに基づく推論を中心に,高性能な最適化解法を開発した。
論文参考訳（メタデータ） (2026-01-26T14:55:26Z)
CADGrasp: Learning Contact and Collision Aware General Dexterous Grasping in Cluttered Scenes [25.832383872036274]
乱雑な環境における有害な把握は、器用な手の自由度が高いため、重大な課題を呈している。そこで本研究では,一視点クラウド入力を用いた汎用デクスタラスグルーピングのための2段階アルゴリズムCADGraspを提案する。
論文参考訳（メタデータ） (2026-01-21T14:43:29Z)
SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
論文参考訳（メタデータ） (2025-11-21T16:32:01Z)
Enhancing CLIP Robustness via Cross-Modality Alignment [54.01929554563447]
視覚言語モデルのための最適なトランスポートベースフレームワークであるクロスモダリティアライメントを提案する。 COLAは、グローバルな画像テキストアライメントと特徴空間における局所的な構造的一貫性を復元する。 COLAはトレーニングフリーで、既存の微調整モデルと互換性がある。
論文参考訳（メタデータ） (2025-10-28T03:47:44Z)

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。