論文の概要: PIER-Flow: Physics-Informed Efficient Rectified Flow for Real-Time Mobile Robot Navigation
- arxiv url: http://arxiv.org/abs/2607.10288v1
- Date: Sat, 11 Jul 2026 12:34:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.38315
- Title: PIER-Flow: Physics-Informed Efficient Rectified Flow for Real-Time Mobile Robot Navigation
- Title（参考訳）: PIER-Flow:リアルタイム移動ロボットナビゲーションのための物理インフォームド能動整流
- Abstract要約: PIER-Flowは移動ロボットのための軽量ナビゲーションポリシーである。
98.85%の成功率とゼロ衝突を達成し、平均値は$sim$1.29 msである。
- 参考スコア（独自算出の注目度）: 10.164953732323463
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous navigation in dense and highly dynamic environments requires both physically feasible control and low-latency replanning. Optimization-based methods such as Model Predictive Control (MPC) explicitly handle robot kinematics and safety constraints, but repeated nonlinear optimization can limit real-time responsiveness. Deterministic behavior-cloning policies enable efficient inference but may fail to represent multimodal avoidance behaviors, whereas diffusion policies capture multimodality at the cost of time-consuming iterative denoising. We propose PIER-Flow (Physics-Informed Efficient Rectified Flow), a lightweight navigation policy for mobile robots. By distilling an MPC expert into a continuous-time Ordinary Differential Equation (ODE), PIER-Flow achieves single-step action generation through parallel latent sampling and lightweight feasibility selection. We introduce a physics-informed training objective to enforce kinematic consistency, paired with an asynchronous action chunking architecture for robust sim-to-real deployment. Extensive simulations demonstrate that PIER-Flow achieves a 98.85\% success rate and zero collisions, with an average inference of $\sim$1.29 ms, which accelerates planning by 37.2$\times$ compared to MPC and over 800$\times$ against standard diffusion models. Crucially, real-world deployment on a resource-constrained edge computer further achieves an approximately stable inference latency of $\sim$5.3 ms, avoiding the latency spikes and freezing events observed with planning baselines.
- Abstract（参考訳）: 密集した高ダイナミックな環境での自律的なナビゲーションは、物理的に実現可能な制御と低遅延の計画の両方を必要とする。
モデル予測制御(MPC)のような最適化に基づく手法は、ロボットのキネマティクスと安全性の制約を明示的に扱うが、繰り返しの非線形最適化はリアルタイムの応答性を制限することができる。
決定論的行動閉鎖ポリシーは効率的な推論を可能にするが、多モーダル回避行動の表現に失敗する可能性がある。
移動ロボットのための軽量ナビゲーションポリシーであるPIER-Flow(Physics-Informed Efficient Rectified Flow)を提案する。
MPCエキスパートを連続時間常微分方程式(ODE)に蒸留することにより、PIER-Flowは並列潜時サンプリングと軽量実現可能性選択により単一ステップのアクション生成を実現する。
物理インフォームドトレーニングの目標として,非同期アクションチャンキングアーキテクチャと組み合わせて,ロバストなsim-to-realデプロイメントを実現する,キネマティック一貫性を実現する。
大規模なシミュレーションでは、PIER-Flowは98.85 %の成功率とゼロ衝突を達成し、平均値は$\sim$1.29 msであり、MPCと比較して37.2$\times$、標準拡散モデルに対して800$\times$を加速する。
重要なことに、リソース制約されたエッジコンピュータ上の実世界のデプロイは、およそ$\sim$5.3 msの推論遅延を達成し、計画ベースラインで観測されるレイテンシのスパイクやイベントの凍結を回避する。
関連論文リスト
- StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。
追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。
メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
論文 参考訳（メタデータ） (2026-08-26T17:33:19Z) - Towards Scalable One-Step Generative Modeling for Autoregressive Dynamical System Forecasting [1.8396059589388676]
MeLISA(MeanFlow Long-Term In Spatiotemporal Consistency Autoregressive Models)
MeLISAは、ピクセル空間のMeanFlow上に構築された、潜伏のない自己回帰生成サロゲートである。
2つの高解像度ベンチマークで,コンパクトなUNetとスケーラブルなDiTflowを用いてMeLISAを評価した。
論文 参考訳（メタデータ） (2026-05-07T00:41:47Z) - DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。
メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。
EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
論文 参考訳（メタデータ） (2026-04-13T03:19:36Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - ProbeFlow: Training-Free Adaptive Flow Matching for Vision-Language-Action Models [12.232846303286161]
近年,フローマッチング (FM) アクションヘッドを搭載したビジョン・ランゲージ・アクション (VLA) モデルは,複雑なロボット操作において最先端の性能を実現する。
現在の加速はビジョン・ランゲージ・モデル(VLM)のバックボーンを最適化しているが、アクションヘッドのボトルネックは見落としている。
本稿では,継続的ロボット制御のためのトレーニング不要適応推論フレームワークProbeFlowを提案する。
論文 参考訳（メタデータ） (2026-03-18T15:38:29Z) - Implicit Maximum Likelihood Estimation for Real-time Generative Model Predictive Control [5.692340907039085]
Implicit Maximum Likelihood Estimation (IMLE) は、計画のための新たな生成モデリング手法である。
本結果は,IMLEが標準オフライン強化学習ベンチマーク上での競合性能を実証するものである。
我々はまた、IMLEをクローズドループの人間ナビゲーションシナリオで検証し、高速かつ適応的な計画生成を可能にする方法を示す。
論文 参考訳（メタデータ） (2026-03-14T03:39:31Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - One Step Is Enough: Dispersive MeanFlow Policy Optimization [23.382067451764396]
Dispersive MeanFlow Policy Optimization (DMPO)は、一段階生成を可能にする統一されたフレームワークである。
RoboMimic操作とOpenAI Gymロコモーションベンチマークによる実験は、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-01-28T15:34:29Z) - Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。
本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。
受け入れ次第、モデルとデータの両方をリリースすることを約束します。
論文 参考訳（メタデータ） (2025-05-25T01:27:18Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - GPU-accelerated Optimal Path Planning in Stochastic Dynamic Environments [0.0]
自律型海洋車両の計画時間とエネルギー最適経路は、運用コストを削減するために不可欠である。
意思決定プロセス(MDP)は、そのような環境でロボットエージェントのシーケンシャルな意思決定のための自然な枠組みを提供する。
我々は、MDPモデルを構築し、MDPを解き、最適なポリシーを演算する効率的なエンドツーエンド高速化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-02T12:14:34Z)
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。