論文の概要: Motion Planning with Model-Based Diffusion via Constraint Optimization and Adaptive Scheduling
- arxiv url: http://arxiv.org/abs/2607.14455v1
- Date: Thu, 16 Jul 2026 01:04:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.940328
- Title: Motion Planning with Model-Based Diffusion via Constraint Optimization and Adaptive Scheduling
- Title（参考訳）: 制約最適化と適応スケジューリングによるモデルベース拡散による運動計画
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.761673975696802
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-Robot Motion Planning (SRMP) in highly non-convex constrained environments, where robots must satisfy collision-free guarantees, dynamic feasibility, and task-related constraints, is challenging under complex constraints and computational limits. Recent Model-Based Diffusion (MBD) approaches recast the SRMP as trajectory optimization that samples from a posterior over trajectories, using known dynamics, and analytically estimates the score function from rollout samples to guide diffusion denoising toward a low-cost, clean trajectory without demonstration learning. While existing works further adapt MBD to constrained environments and showcase promising performance, they are still limited by (1) enforcing safety either via soft feasibility diffusion priors or hard projection operators, but lack a unified framework to integrate both, and (2) fixing safety enforcement to neglect the changing of diffusion scheduling. Therefore, we introduce Model-Based Diffusion via Constraint Optimization and Adaptive Scheduling (MD-COAS) for SRMP that unifies the inexact Augmented Lagrangian Method (iALM) soft diffusion prior with a Convex Feasible Set (CFS)-based hard projection operator, and adaptively schedules and co-optimizes safety enforcement, along with diffusion scheduling. Experiments demonstrate that our method achieves higher safety \& success rates, faster convergence, and lower final costs than baseline planners on randomly generated highly non-convex 2D benchmarks and a 7-DoF robot arm avoidance task.
- Abstract（参考訳）: 衝突のない保証、動的実現可能性、タスク関連の制約をロボットが満たさなければならない、非凸制約環境における単一ロボット運動計画(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)アプローチでは、SRMPは、既知のダイナミックスを用いて、後方の軌道上からのサンプルを軌道最適化し、ロールアウトサンプルからのスコア関数を解析的に推定し、デモ学習なしで低コストでクリーンな軌道へと誘導する。
既存の作業は、制約された環境にMBDをさらに適応させ、有望な性能を示すが、(1)ソフトファシビリティ拡散前処理またはハードプロジェクション演算子によって安全性を強制するが、両方を統合するための統一された枠組みが欠如しており、(2)拡散スケジューリングの変更を無視するために安全性の強化が図られている。
そこで,本研究では,CFS (Convex Feasible Set) ベースのハードプロジェクション演算子に先行して,不完全拡張ラグランジアン法 (iALM) のソフト拡散を統一したSRMP用モデルベース拡散法 (MD-COAS) を提案する。
提案手法は, ランダムに生成した非凸性2Dベンチマークと7-DoFロボットアーム回避タスクにおいて, 安全性の向上, 収束の速さ, 最終コストの低減を実現する。
関連論文リスト
- Model-Based Diffusion Optimal Control for Multi-Robot Motion Planning [5.5818653283217055]
連続環境におけるマルチロボット運動計画は、関節軌道空間の成長と動的実現性やハードセーフティ制約の実施の難しさにより困難である。
近年の研究では,実験データからスコア関数を学習した拡散モデルを用いて,軌道後部からの軌道計画を確率的推論として再検討している。
モデルベース拡散最適制御(MDOC)は,データに頼らずに動的に実現可能な軌道を効率的に生成するモデルベース拡散プランナである。
論文 参考訳（メタデータ） (2026-07-14T06:54:03Z) - Grounding Generative Policies in Physics: Optimization-Guided Diffusion for Robot Control [41.782471938706344]
タスク空間のロボットポリシーでは、生成された把握、ウェイポイント、トラジェクトリは分散的に有効だが実現不可能である。
動作生成を物理的実現可能性に結合する推論時間最適化フレームワークを提案する。
本研究では,到達性と衝突回避制約とコントローラレベルの追従性制約を併用した動的操作によるデクスタラスグリップ合成法の評価を行った。
論文 参考訳（メタデータ） (2026-06-23T06:49:30Z) - DiRecT: Safe Diffusion-Based Planning via Receding-Horizon Denoising [4.249024052507976]
最適制御(SOC)による拡散モデルからの制約付きサンプリングのためのトレーニング不要アルゴリズムであるDiRecTを導入する。
モデル予測制御にインスパイアされ、不利な制約付き SOC の定式化のために、リテーディング・ホライゾン・サロゲートを導出する。
実験により、DiRecTは既存の拡散ベースの計画ベースラインよりも、デプロイメントの安全性とタスクパフォーマンスを大幅に改善することが示された。
論文 参考訳（メタデータ） (2026-06-13T15:41:26Z) - Self-Distilled Trajectory-Aware Boltzmann Modeling: Bridging the Training-Inference Discrepancy in Diffusion Language Models [65.89572755202245]
拡散言語モデル(DLM)は、より強力なグローバル認識と高い並列生成を提供する。
標準負のエビデンス下界(NELBO)に基づく教師付き微調整後のDLMは非効率である。
そこで本研究では,学習を推論の容易かつハードな構造に整合させる,自己蒸留軌道に基づくポストトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-12T09:39:06Z) - 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) - Taming Flow Matching with Unbalanced Optimal Transport into Fast Pansharpening [10.23957420290553]
本稿では,一段階の高品位パンシャーピングを実現するための最適輸送フローマッチングフレームワークを提案する。
OTFMフレームワークは、パンシャーピング制約の厳格な遵守を維持しつつ、シミュレーション不要なトレーニングとシングルステップ推論を可能にする。
論文 参考訳（メタデータ） (2025-03-19T08:10:49Z) - 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 Predictive Control with Constraints [51.91057765703533]
拡散予測制御(Diffusion predictive control with constraints,DPCC)は、拡散に基づく制御のアルゴリズムである。
DPCCは,新しいテスト時間制約を満たすために,既存の手法よりも優れた性能を示すロボットマニピュレータのシミュレーションを通して示す。
論文 参考訳（メタデータ） (2024-12-12T15:10:22Z)
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。