論文の概要: Flow as Flow: Modeling Robot Velocity Fields as Probability Velocity Fields for Flow-Based Object Manipulation

• arxiv url: http://arxiv.org/abs/2606.23090v2
• Date: Tue, 23 Jun 2026 08:52:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.513243
• Title: Flow as Flow: Modeling Robot Velocity Fields as Probability Velocity Fields for Flow-Based Object Manipulation
• Title（参考訳）: フローとしてのフロー: フローベース物体操作のための確率速度場としてのロボット速度場をモデル化する
• Authors: Koki Seno, Daichi Yashima, Yusuke Takagi, Kento Tokura, Komei Sugiura,
• Abstract要約: クロス・エボディメントのデータは、ロボット基礎モデルのトレーニングの中心となっている。 ロボットのフローがエンボディメントに依存しない動作表現として機能するフローベースオブジェクト操作に着目した。 本研究では,フローマッチングの定式化に基づいて,ロボットフローを確率フローとしてモデル化するフロー・アズ・フローを提案する。
• 参考スコア（独自算出の注目度）: 2.1080220393922113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-embodiment data have become central to training robotic foundation models. To leverage such heterogeneous data, we focus on flow-based object manipulation, where robot flows (robot velocity fields) serve as embodiment-agnostic motion representations. Previous studies do not formulate robot flows as dense velocity fields, but as displacements of sparse keypoints, while such velocity fields better match the continuous-time nature of motions. We propose Flow as Flow, a framework that models robot flows as probability flows based on a flow matching formulation. By naturally modeling such velocity fields within this formulation, our method achieves efficient and high-quality robot flow generation. Across standard benchmarks, our method outperforms representative baseline methods on standard metrics, while achieving approximately 33$\times$ faster generation. Furthermore, through real-world experiments evaluating 9 methods with 260 trials per method across 13 manipulation tasks, we show that our method achieves a higher average success rate than the baseline methods. Our project page is available at https://flow-as-flow-u0n5y.kinsta.page.
• Abstract（参考訳）: クロス・エボディメントのデータは、ロボット基礎モデルのトレーニングの中心となっている。 このような異種データを活用するために,ロボットのフロー(ロボットの速度場)がエンボディメントに依存しない動作表現として機能するフローベースオブジェクト操作に着目した。 従来の研究では、ロボットの流れを高密度な速度場として定式化するのではなく、スパースキーポイントの変位として定式化しているが、そのような速度場は運動の連続時間の性質とよく一致している。 本研究では,フローマッチングの定式化に基づいて,ロボットフローを確率フローとしてモデル化するフロー・アズ・フローを提案する。 この定式化の中でそのような速度場を自然にモデル化することにより,効率的な高品質なロボットフロー生成を実現する。 標準ベンチマーク全体では,提案手法は標準基準基準法よりも優れ,約33$\times$高速な生成を実現している。 さらに,13個の操作タスクに260の試行を行う9つの手法を実世界の実験で評価した結果,本手法はベースライン法よりも平均成功率が高いことがわかった。 私たちのプロジェクトページはhttps://flow-as-flow-u0n5y.kinsta.pageで公開されている。

関連論文リスト

• Operator Learning for Reconstructing Flow Fields from Sparse Measurements: a Language Model Approach [6.823452975246462]
  スパース測定から流れ場を再構築することは流体力学の基本的な問題である。 メッシュフリーでフロー再構成を行うために,言語モデルのアーキテクチャを活用する新しい演算子学習フレームワークを提案する。 提案手法を4つのベンチマークデータセットで評価する。
  論文  参考訳（メタデータ） (2026-05-22T14:56:05Z)
• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories [14.36205662558203]
  Rectified MeanFlowは、単一のリフローステップのみを使用して、修正された軌道に沿った平均速度場をモデル化するフレームワークである。 64、256、および512の解像度でのImageNetの実験では、Re-MeanFlowは、サンプルの品質とトレーニング効率の両方で、一段階の蒸留法とRectified Flow法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-28T16:50:08Z)
• Mean Flows for One-step Generative Modeling [64.4997821467102]
  本稿では,一段階生成モデリングのための原理的かつ効果的なフレームワークを提案する。 ニューラルネットワークトレーニングのガイドには,平均速度と瞬時速度を適切に定義したアイデンティティが導出され,使用される。 提案手法はMeanFlowモデルと呼ばれ,自己完結型であり,事前学習,蒸留,カリキュラム学習は不要である。
  論文  参考訳（メタデータ） (2025-05-19T17:59:42Z)
• FlowTurbo: Towards Real-time Flow-Based Image Generation with Velocity Refiner [70.90505084288057]
  フローベースモデルはサンプリングプロセス中により直線的なサンプリング軌道を生成する傾向にある。 擬似修正器やサンプル認識コンパイルなどいくつかの手法を導入し,推論時間をさらに短縮する。 FlowTurboはImageNet上で100(ms/img)で2.12FID、38(ms/img)で3.93FIDに達する
  論文  参考訳（メタデータ） (2024-09-26T17:59:51Z)
• Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
  本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。 予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T16:15:37Z)
• Optimal Flow Matching: Learning Straight Trajectories in Just One Step [89.37027530300617]
  我々は,新しいtextbf Optimal Flow Matching (OFM) アプローチを開発し,理論的に正当化する。 これは2次輸送のための直列のOT変位をFMの1ステップで回復することを可能にする。 提案手法の主な考え方は,凸関数によってパラメータ化されるFMのベクトル場の利用である。
  論文  参考訳（メタデータ） (2024-03-19T19:44:54Z)
• Data-driven Full-waveform Inversion Surrogate using Conditional Generative Adversarial Networks [0.0]
  フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。 本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-30T21:41:24Z)

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。