Fugu-MT 論文翻訳(概要): Motion Planning in Compressed Representation Spaces

論文の概要: Motion Planning in Compressed Representation Spaces

arxiv url: http://arxiv.org/abs/2606.30940v1
Date: Mon, 29 Jun 2026 21:48:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-01 18:27:19.007725
Title: Motion Planning in Compressed Representation Spaces
Title（参考訳）: 圧縮表現空間における運動計画
Abstract要約: 我々は高い圧縮比と階層的に順序付けられた離散値トークンの潜在空間を持つオートエンコーダを学習する。次に、トークンの潜在空間を直接探索することで、モーションプランニングを行う。この探索は、テスト時に指定された任意の目的関数を最適化し、大きな柔軟性を提供する。
参考スコア（独自算出の注目度）: 16.185835270781283
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Deep learning methods have vastly expanded the capabilities of motion planning in robotics applications, as learning priors from large-scale data has been shown to be essential in capturing the highly complex behavior required for solving tasks such as manipulation or navigation for autonomous vehicles. At the same time, model-based planning algorithms based on search or optimization remain an essential tool due to their flexibility, efficiency, and the ability to incorporate domain knowledge via expert-designed algorithms and objective functions. We propose a new generative framework to unify these two paradigms. First, we learn an autoencoder with a high compression ratio and a latent space of hierarchically ordered, discrete-valued tokens. Leveraging both the dimensionality reduction and the hierarchical coarse-to-fine structure learned by this autoencoder, we then perform motion planning by directly searching in the latent space of tokens. This search can optimize arbitrary objective functions specified at test time, providing a large degree of flexibility while maintaining efficiency and producing realistic solutions by relying on the generative capabilities of the highly compressed autoencoder. We evaluate our method on nuPlan and the Waymo Open Motion Dataset, showing how latent space search can be used for a variety of guided behavior generation tasks, achieving strong performance for closed-loop motion planning and multi-agent guided scenario synthesis without requiring any task-specific training.
Abstract（参考訳）: 大規模データからの学習は、自動運転車の操作やナビゲーションといったタスクを解くのに必要な、非常に複雑な振る舞いを捉えるのに不可欠であることが示されている。同時に、探索や最適化に基づくモデルベースの計画アルゴリズムは、その柔軟性、効率、専門家が設計したアルゴリズムや目的関数を通じてドメイン知識を組み込む能力のために、依然として必須のツールである。これら2つのパラダイムを統合するための新しい生成フレームワークを提案する。まず、高い圧縮比と階層的に順序付けられた離散値トークンの潜在空間を持つオートエンコーダを学習する。このオートエンコーダによって学習された次元減少と階層的粗大構造の両方を活用することにより、トークンの潜在空間を直接探索して動き計画を行う。この探索は、テスト時に指定された任意の目的関数を最適化し、高い圧縮オートエンコーダの生成能力に頼って効率を保ち、現実的なソリューションを創出しながら、高い柔軟性を提供する。提案手法はnuPlanとWaymo Open Motion Datasetで評価され,各種のガイド付き行動生成タスクに潜時空間探索がいかに有効かを示し,タスク固有の訓練を必要とせず,閉ループ動作計画とマルチエージェント誘導シナリオ合成の強力な性能を実現する。

関連論文リスト

Machine Learning-Enhanced Tabu Search for Tactical Wireless Network Design [0.688204255655161]
本稿では,その移動選択過程を学習することで,タブ検索の効率を向上させるデータ駆動型フレームワークを提案する。我々は、一連の記述的特徴とともに、エッジベースの変換の改善と非改善の両方を記録します。この情報は、対象関数に対する候補移動の影響を予測するグラフニューラルネットワーク(GNN)のトレーニングに使用される。
論文参考訳（メタデータ） (2026-07-31T15:03:53Z)
Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
論文参考訳（メタデータ） (2026-01-13T23:36:30Z)
Fast Functionally Redundant Inverse Kinematics for Robotic Toolpath Optimisation in Manufacturing Tasks [53.04487603529418]
逆キネマティクスアルゴリズムは、これを高速でリアクティブなフレームワークで解決することができる。ロボット操作のための機能的冗長な逆運動学を解く新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-12-10T22:07:07Z)
VQ-VLA: Improving Vision-Language-Action Models via Scaling Vector-Quantized Action Tokenizers [23.868483243482558]
本稿では,従来の100倍以上のデータを活用する,革新的なベクトル化に基づくアクショントークン化手法を提案する。トレーニングが完了すると、トークン化ツールは広範囲のタスクにシームレスに適応できる。シミュレーション環境と実際のロボットプラットフォームの両方で広範な実験を行った。
論文参考訳（メタデータ） (2025-07-01T17:59:44Z)
Action Flow Matching for Continual Robot Learning [54.10050120844738]
ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
論文参考訳（メタデータ） (2025-04-25T16:26:15Z)
Mission-driven Exploration for Accelerated Deep Reinforcement Learning with Temporal Logic Task Specifications [11.010530034121224]
本稿では,学習速度を大幅に向上させる新しいQ-ラーニングアルゴリズムを提案する。サンプル効率の向上は、ミッションが成功に寄与する可能性のある方向への探索を優先する、ミッション駆動の探査戦略に由来する。
論文参考訳（メタデータ） (2023-11-28T18:59:58Z)
AI planning in the imagination: High-level planning on learned abstract search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文参考訳（メタデータ） (2023-08-16T22:47:16Z)
PEAR: Primitive Enabled Adaptive Relabeling for Boosting Hierarchical Reinforcement Learning [25.84621883831624]
階層的強化学習(HRL)は、時間的抽象化と探索の増大により、複雑な長い地平線タスクを解く可能性がある。プリミティブ・アダプティブ・アダプティブ・レバーベリング(PEAR)を提案する。まず,いくつかの専門家による実験を適応的に実施し,効率的なサブゴール管理を実現する。次に、強化学習(RL)と模倣学習(IL)を併用してHRLエージェントを共同最適化する。
論文参考訳（メタデータ） (2023-06-10T09:41:30Z)
Topological Guided Actor-Critic Modular Learning of Continuous Systems with Temporal Objectives [2.398608007786179]
本研究では,線形時間論理の高レベル仕様を与えられた連続状態力学系の公式なポリシー合成について検討する。ニューラルネットワークを用いて、ハイブリッド製品状態空間の値関数とポリシー関数を近似する。
論文参考訳（メタデータ） (2023-04-20T01:36:05Z)
Option-Aware Adversarial Inverse Reinforcement Learning for Robotic Control [44.77500987121531]
階層的模倣学習 (Hierarchical Imitation Learning, HIL) は, 長期作業における複雑度の高い動作を, 専門家による実証から再現するために提案されている。逆逆強化学習に基づく新しいHILアルゴリズムを開発した。また,目的をエンド・ツー・エンドで学習するための変分オートエンコーダフレームワークを提案する。
論文参考訳（メタデータ） (2022-10-05T00:28:26Z)
Pessimism meets VCG: Learning Dynamic Mechanism Design via Offline Reinforcement Learning [114.36124979578896]
オフライン強化学習アルゴリズムを用いて動的メカニズムを設計する。我々のアルゴリズムは悲観主義の原理に基づいており、オフラインデータセットのカバレッジについて軽度な仮定しか必要としない。
論文参考訳（メタデータ） (2022-05-05T05:44:26Z)
DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
論文参考訳（メタデータ） (2022-03-31T17:59:38Z)

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。