論文の概要: LAGO Policy: Latency-Aware Asynchronous Diffusion Policies with Goal-Directed Collision-Free Planning for Smooth Manipulation
- arxiv url: http://arxiv.org/abs/2606.17982v1
- Date: Tue, 16 Jun 2026 14:33:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.483852
- Title: LAGO Policy: Latency-Aware Asynchronous Diffusion Policies with Goal-Directed Collision-Free Planning for Smooth Manipulation
- Title（参考訳）: LAGO政策:スムーズマニピュレーションのための目標指向の衝突のない計画を伴う遅延対応非同期拡散政策
- Authors: Guowei Shi, Xupeng Xie, Yiming Luo, Jian Guo, Jun Ma, Boyu Zhou,
- Abstract要約: 拡散に基づくビジュモータポリシーは、しばしばチャンク間不連続を示し、障害物認識実行の明確なメカニズムを欠いている。
本稿では,軌道最適化と拡散ポリシを統合した非同期動作生成フレームワークであるLAGO Policyを提案する。
- 参考スコア（独自算出の注目度）: 13.705916129860071
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion-based visuomotor policies deployed with asynchronous inference often exhibit inter-chunk discontinuities and lack explicit mechanisms for obstacle-aware execution, leading to jerky motions and collisions that hinder reliable manipulation in real-world scenes. To address these issues, we propose LAGO Policy, a unified asynchronous action-generation framework that integrates trajectory optimization with diffusion policy for smooth and safe execution. LAGO Policy improves inter-chunk consistency via latency-aware classifier-free guidance conditioning on future actions. It further enables goal-directed collision-free trajectory planning by predicting a task-relevant interaction goal from demonstrations. Finally, spatial-temporal trajectory optimization refines the actions to be executed for low-jerk and feasible motion. Extensive real-world experiments demonstrate that LAGO Policy achieves smooth collision-free execution with high task success across challenging manipulation tasks. Project Website: https://lago-policy.github.io/
- Abstract（参考訳）: 非同期推論で展開された拡散ベースのビジュモータポリシーは、しばしばチャンク間の不連続性を示し、障害物認識実行の明確なメカニズムを欠いているため、現実のシーンでの確実な操作を妨げているジャーキーな動きや衝突につながる。
これらの問題に対処するために,軌道最適化と拡散ポリシを統合し,スムーズかつ安全な実行を実現する非同期アクション生成フレームワークであるLAGO Policyを提案する。
LAGO Policyは、将来のアクションに対する遅延認識型分類器フリーガイダンスによるチャンク間の一貫性を改善する。
さらに、実演からタスク関連相互作用目標を予測することで、目標指向の衝突のない軌道計画を可能にする。
最後に、時空間軌道最適化は、低ジェットかつ実現可能な動作のために実行される動作を洗練させる。
大規模な実世界の実験により、LAGOポリシーは、困難な操作タスクにまたがる高いタスクの成功で、スムーズな衝突のない実行を実現することが実証された。
Project Website: https://lago-policy.github.io/
関連論文リスト
- From Attacks to Curricula: Learnability-Guided Adversarial Training for Safe Autonomous Driving [56.30087557121323]
AlignADVは学習性誘導型クローズドループ対向トレーニングフレームワークである。
敵のシナリオを解決可能で能力に整合したカリキュラムに変換する。
実験の結果、最大40.6%のトレーニングステップが短縮された。
論文 参考訳（メタデータ） (2026-06-12T02:13:55Z) - FocalPolicy: Frequency-Optimized Chunking and Locally Anchored Flow Matching for Coherent Visuomotor Policy [75.32174422881958]
FocalPolicyは、周波数局所的なチャンキングとAnchoredフローマッチングを組み合わせたビジュモータポリシーである。
本稿では,近位行動における時間領域のアライメントを監督する,近位複合目標を提案する。
フローマッチング学習において,信号の伝搬一貫性を目標とした局所的アンカーサンプリングを設計する。
論文 参考訳（メタデータ） (2026-05-15T13:27:55Z) - From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。
我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-12T14:15:16Z) - Flow Motion Policy: Manipulator Motion Planning with Flow Matching Models [3.4672098154671995]
Flow Motion Policyは、ロボットマニピュレータのためのオープンループでエンドツーエンドのニューラルモーションプランナーである。
複数のエンドツーエンドの候補パスを生成し、計画後の衝突状態を評価し、最初の衝突のないソリューションを実行する。
論文 参考訳（メタデータ） (2026-04-08T13:38:58Z) - F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation [62.06267255986041]
非同期推論はロボット操作における主要なパラダイムとして現れている。
本稿では,予測対象の流れを利用して将来の観測を合成する新しい枠組みを提案する。
本手法は複雑な動的操作タスクにおける応答性と成功率を大幅に向上させる。
論文 参考訳（メタデータ） (2026-04-02T17:57:15Z) - Encoding Predictability and Legibility for Style-Conditioned Diffusion Policy [1.1549572298362782]
効率性と透明な動きのバランスを取ることは、人間とロボットのコラボレーションにおける中核的な課題である。
本稿では,事前学習した拡散モデルに対して,妥当性と効率を両立させるモジュラーフレームワークであるStyle-Conditioned Diffusion Policy (SCDP)を提案する。
操作作業やナビゲーション作業におけるSCDPの評価を行い,不明瞭な環境下での可視性を向上するとともに,可視性が不要な場合の最適効率を保っていることを示す。
論文 参考訳（メタデータ） (2026-03-17T10:55:44Z) - Closed-Loop Action Chunks with Dynamic Corrections for Training-Free Diffusion Policy [52.106797722292896]
我々は,チャンクベースのアクション生成とリアルタイム修正を統合した動的クローズドループ拡散ポリシーフレームワークDCDPを提案する。
動的PushTシミュレーションでは、DCDPは5%の計算しか必要とせず、再トレーニングなしに適応性を19%改善する。
論文 参考訳（メタデータ） (2026-03-02T15:04:18Z) - CoLA-Flow Policy: Temporally Coherent Imitation Learning via Continuous Latent Action Flow Matching for Robotic Manipulation [4.726851899243877]
LG-Flow Policyは、連続的な潜在アクション空間でフローマッチングを実行する軌道レベルの模倣学習フレームワークである。
動作シーケンスを時間的に規則化された潜在軌道に符号化し、明示的な潜在空間の流れを学習することにより、提案手法は低レベル制御ノイズからグローバルな運動構造を分離する。
論文 参考訳（メタデータ） (2026-01-30T15:36:43Z) - Real-Time Robot Execution with Masked Action Chunking [38.37108371991901]
ロボットのようなサイバー物理システムにはリアルタイム実行が不可欠である。
近年,リアルタイムロボット操作のためのシステムレベルのパラダイムとして,非同期推論が登場している。
本稿では,マスクされたアクションチャンキングによって事前訓練されたポリシーの修正を学習するREMACを提案する。
論文 参考訳（メタデータ） (2026-01-27T23:48:32Z)
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。