論文の概要: Function-Space Diffusion for Motion Planning
- arxiv url: http://arxiv.org/abs/2607.02977v1
- Date: Fri, 03 Jul 2026 05:36:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 13:11:31.832525
- Title: Function-Space Diffusion for Motion Planning
- Title（参考訳）: 運動計画のための関数空間拡散
- Abstract要約: 拡散に基づく運動プランナーは、多種多様な高品質なロボット軌道を生成する上で、強力な性能を示した。
本稿では,FSD-MP(Function-Space Diffusion for Motion Planning)を提案する。
本手法は,最大16$times以上の解像度でゼロショットを一般化する。
- 参考スコア（独自算出の注目度）: 21.931455331420725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion-based motion planners have demonstrated strong performance in generating diverse and high-quality robot trajectories in cluttered environments with multiple feasible solutions. However, existing approaches typically operate on fixed-length waypoint sequences, making the learned model resolution-dependent, thereby preventing zero-shot generalization across resolutions. In this work, we propose Function-Space Diffusion for Motion Planning (FSD-MP), a diffusion-based motion planner that models trajectories as continuous functions and performs diffusion directly in function space, achieving discretization-invariant trajectory generation. We define a mode-wise forward process in the spectral domain, driven by Gaussian noise with a Matérn-type covariance, and parameterize the reverse process with a boundary-compatible Discrete Sine Transform-based Fourier Neural Operator (DST-FNO) that preserves start-goal constraints across resolutions. We evaluate FSD-MP on 2D point robot and 7-DoF Franka manipulator planning benchmarks. Our method achieves competitive planning performance at the training resolution and generalizes zero-shot across resolutions up to 16$\times$ higher, preserving consistent planning behavior without retraining. These results demonstrate that function-space diffusion provides an effective framework for discretization-invariant motion planning.
- Abstract（参考訳）: 拡散型運動プランナーは、複数の実現可能なソリューションを用いて、散在した環境において、多種多様な高品質なロボット軌道を生成する上で、強力な性能を示した。
しかし、既存のアプローチは一般に固定長のウェイポイントシーケンスで動作し、学習されたモデルの解像度に依存して、解像度をまたいだゼロショットの一般化を防いでいる。
本研究では,FSD-MP(Function-Space Diffusion for Motion Planning, FSD-MP)を提案する。
我々はスペクトル領域におけるモードワイドフォワードプロセスを定義し、マテラン型共分散を持つガウス雑音によって駆動され、リバース処理を境界互換の離散Sine変換に基づくフーリエニューラル演算子(DST-FNO)でパラメータ化する。
2Dポイントロボットと7-DoFフランカマニピュレータ計画ベンチマークにおけるFSD-MPの評価を行った。
提案手法は, 最大16$\times$以上の解像度でゼロショットを一般化し, 再学習なしに一貫した計画行動を維持する。
これらの結果は,関数空間拡散が離散化不変運動計画に有効な枠組みを提供することを示した。
関連論文リスト
- Motion Planning with Model-Based Diffusion via Constraint Optimization and Adaptive Scheduling [7.761673975696802]
シングルロボット運動計画(SRMP)は、複雑な制約と計算上の制限の下で困難である。
最近のモデルベース拡散(MBD)はSRMPをリキャストし、後方拡散軌道からサンプルを誘導する。
提案手法は, 安全・成功率の向上, 収束の高速化, 最終コストの低減を実現している。
論文 参考訳（メタデータ） (2026-07-16T01:04:32Z) - Optimal-Transport-Guided Functional Flow Matching for Turbulent Field Generation in Hilbert Space [0.3173969736316818]
乱流の高忠実度モデリングには複雑な力学と多スケール断続性が必要である。
無限次元関数空間で直接定義される生成フレームワークであるFOT-CFM(Functional Optimal Transport Conditional Flow Matching)を提案する。
FOT-CFMは、最先端のベースラインに比べて高次乱流統計とスペクトルエネルギーの再現において優れた忠実性を達成する。
論文 参考訳（メタデータ） (2026-04-07T10:53:37Z) - FACTO: Function-space Adaptive Constrained Trajectory Optimization for Robotic Manipulators [4.0407133618465005]
本稿では,単一およびマルチアームマニピュレータのための関数空間適応制約軌道最適化(FACTO)を提案する。
非線形性に対処するため、FACTOはガウス・ニュートン近似を用いて指数的移動平均化を行い、滑らかな二次部分確率を与える。
フランカロボットにおけるFACTOの実験的評価は、デプロイの実現可能性を検証する。
論文 参考訳（メタデータ） (2026-02-23T16:38:13Z) - Formalizing the Sampling Design Space of Diffusion-Based Generative Models via Adaptive Solvers and Wasserstein-Bounded Timesteps [4.397130429878499]
拡散に基づく生成モデルは、様々な領域で顕著な性能を達成してきたが、その実践的展開は、しばしば高いサンプリングコストによって制限されている。
本稿では,数値解法を拡散軌道の固有特性と整合する原理的枠組みであるSDMを提案する。
ODE のダイナミクスを解析することにより,低次解法は初期高雑音で十分であり,高次解法は後段の非線形性の増加に対応するために段階的に展開可能であることを示す。
論文 参考訳（メタデータ） (2026-02-13T05:02:07Z) - Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。
また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文 参考訳（メタデータ） (2026-02-02T21:33:03Z) - Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。
i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-09T06:26:02Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。
本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
論文 参考訳（メタデータ） (2025-02-05T20:51:28Z) - Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。
連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-23T21:27:19Z) - Diffusion-ES: Gradient-free Planning with Diffusion for Autonomous Driving and Zero-Shot Instruction Following [21.81411085058986]
Reward-gradient guided denoisingは、微分可能報酬関数と拡散モデルによって捕捉されたデータ分布下での確率の両方を最大化する軌道を生成する。
そこで我々は,勾配のない最適化と軌道デノゲーションを組み合わせたDiffusionESを提案する。
DiffusionESは、自動運転のための確立されたクローズドループ計画ベンチマークであるnuPlan上で、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） (2024-02-09T17:18:33Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z)
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。