論文の概要: ConFlow: Constraints-Guided Learning with Flow Matching for Motion Generation

• arxiv url: http://arxiv.org/abs/2607.14424v1
• Date: Wed, 15 Jul 2026 23:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.935021
• Title: ConFlow: Constraints-Guided Learning with Flow Matching for Motion Generation
• Title（参考訳）: ConFlow: 動き生成のためのフローマッチングを用いた制約型学習
• Abstract要約: ロボットモーション生成では、収集されたデータには存在しないかもしれない追加の制約があることが多い。 本研究では,制約情報を直接トレーニング対象に組み込む制約誘導型フローマッチングフレームワークであるConFlowを提案する。 2ボットナビゲーションタスクの実験は、ConFlowがより低い衝突率とより高い軌道品質を達成することを示した。
• 参考スコア（独自算出の注目度）: 2.0175723444555307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years Flow Matching has become a prominent method for generative modeling robot motion generation. In its generic form Flow Matching is an ODE-based neural sampler that is trained by regressing empirical flow fields associated with motion samples as data. However, in robot motion generation we often have additional constraints that might not be present in the collected data. The majority of current approaches train the flow on the available data and use inference-time guidance to enforce task-specific constraints. To address this mismatch, we propose \textbf{ConFlow}, a constraint-guided flow matching framework that incorporates constraint information directly into the training objective via differentiable barrier or cost functions. To address design specifications such as smoothness and boundary conditions, we propose replacing the standard Gaussian source distribution used in flow matching training with a conditional Gaussian Process. Our approach also uses infeasible demonstrations as negative supervision, improving constraint satisfaction without requiring additional expert data. Experiments on a two-robot navigation task demonstrate that ConFlow achieves lower collision rates and higher trajectory quality than standard flow matching baselines, with or without inference-time guidance. These results validate training-time constraint integration as an effective approach to closing the training--inference gap in generative motion models.
• Abstract（参考訳）: 近年,フローマッチングはロボットの動き生成をモデル化するための重要な手法となっている。 Flow MatchingはODEベースのニューラルサンプリングで、モーションサンプルに関連付けられた経験的フローフィールドをデータとして回帰することによってトレーニングされる。 しかし、ロボットモーション生成では、収集されたデータには存在しないかもしれない追加の制約があることが多い。 現在のアプローチの大半は、利用可能なデータ上のフローをトレーニングし、タスク固有の制約を強制するために推論時ガイダンスを使用する。 このミスマッチに対処するために,制約情報を直接トレーニング対象に組み込む制約付きフローマッチングフレームワークである‘textbf{ConFlow} を提案する。 滑らかさや境界条件といった設計仕様に対処するために,フローマッチングトレーニングで使用される標準ガウス音源分布を条件付きガウス過程に置き換えることを提案する。 当社のアプローチでは,非現実的なデモンストレーションを否定的な監視として使用し,新たな専門家データを必要としない制約満足度の向上を実現しています。 2ボットナビゲーションタスクの実験では、ConFlowは標準フローマッチングベースラインよりも衝突率と軌道品質を低く、推論時ガイダンスの有無で達成している。 これらの結果は、生成運動モデルにおけるトレーニング-推論ギャップを閉じるための効果的なアプローチとして、トレーニング時間制約積分を検証した。

関連論文リスト

• FlowBender: Feedback-Aware Training for Self-Correcting Conditional Flows [18.746098727212544]
  FlowBenderは3D再構成のための新しい拡散流モデルである。 FlowBenderは、標準的な教師付きアライメントトレーニングよりも一貫して優れています。 微分可能な演算子に対して、FlowBenderのいくつかの変種を提案する。
  論文  参考訳（メタデータ） (2026-06-18T15:56:07Z)
• FlowSteer: Guiding Few-Step Image Synthesis with Authentic Trajectories [82.90132015584359]
  ReFlowはフローマッチングと理論的に整合性があるが、現実的なシナリオでは最適ではない。 本研究では,ReFlowをベースとした蒸留手法であるFlowSteerを提案する。
  論文  参考訳（メタデータ） (2025-11-24T07:13:23Z)
• Learning Straight Flows: Variational Flow Matching for Efficient Generation [36.84747986070112]
  フローマッチングは、学習された曲線軌道に依存するため、ワンステップ生成の能力に制限がある。 textbfS-VFMは、軌道直線性を明示的に強制し、理想的には線形生成経路を生成する。
  論文  参考訳（メタデータ） (2025-11-15T22:51:58Z)
• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• Contrastive Flow Matching [61.60002028726023]
  コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。 提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。 比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
  論文  参考訳（メタデータ） (2025-06-05T17:59:58Z)
• Flow Matching Posterior Sampling: A Training-free Conditional Generation for Flow Matching [13.634043135217254]
  本稿では,Flow Matching を用いた Posterior Smpling (FMPS) を提案し,その適用範囲を拡大する。 この補正項は、サロゲートスコア関数を組み込むように再構成することができる。 FMPSは既存の最先端手法に比べて優れた世代品質が得られることを示す。
  論文  参考訳（メタデータ） (2024-11-12T08:14:39Z)
• 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)
• Simulation-Free Training of Neural ODEs on Paired Data [20.36333430055869]
  我々は,NODEのシミュレーションフリートレーニングにフローマッチングフレームワークを用いる。 ペアデータ間で直接フローマッチングを適用することは、しばしば不定義のフローにつながることを示す。 データペアの埋め込み空間にフローマッチングを適用するための簡単な拡張を提案する。
  論文  参考訳（メタデータ） (2024-10-30T11:18:27Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• DistractFlow: Improving Optical Flow Estimation via Realistic Distractions and Pseudo-Labeling [49.46842536813477]
  本稿では,光フロー推定モデルのトレーニングのための新しいデータ拡張手法であるDistractFlowを提案する。 2つのフレームのうちの1つを、類似したドメインを描写したイントラクタイメージと組み合わせることで、自然の物体やシーンと相反する視覚的摂動を誘発することができる。 私たちのアプローチでは、追加のアノテーションを必要とせずに、利用可能なトレーニングペアの数を大幅に増やすことができます。
  論文  参考訳（メタデータ） (2023-03-24T15:42:54Z)

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。