論文の概要: BridgeFlow: Fast and Robust SE(2)-Equivariant Motion Planning with Flow Matching

• arxiv url: http://arxiv.org/abs/2607.14725v1
• Date: Thu, 16 Jul 2026 08:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.04639
• Title: BridgeFlow: Fast and Robust SE(2)-Equivariant Motion Planning with Flow Matching
• Title（参考訳）: BridgeFlow:高速かつロバストなSE(2)-フローマッチングによる等価運動計画
• Authors: Xinzhe Zhou, Xuyang Wang, Xiaoming Duan, Jianping He,
• Abstract要約: BridgeFlowは高速かつ厳密なSE(2)等価な生成運動計画フレームワークである。 重い空間ネットワークに頼るのではなく、BridgeFlowは軽量なタスク中心の正準化モジュールを通じて、正確な同変を達成している。 BridgeFlowは、最大15倍の推論スピードアップと、最先端拡散ベースラインに対する2倍の有効な軌道速度を達成する。
• 参考スコア（独自算出の注目度）: 7.358523394234812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In robotic motion planning, equivariance to rigid body transformations is crucial for robust spatial generalization. However, current learning-based planners face a critical dilemma: they either lack inherent equivariance, treating transformed tasks as novel scenarios, or enforce it via computationally expensive specialized architectures that bottleneck real-time inference. To break this trade-off, we propose BridgeFlow, a fast and strictly SE(2)-equivariant generative motion planning framework. Rather than relying on heavy equivariant networks, BridgeFlow achieves exact spatial equivariance via a lightweight task-centric canonicalization module, enabling generalization using standard architectures. To further accelerate inference, we pair a Brownian bridge informative prior with context-aware mini-batch optimal transport. This constructs a straightened vector field that minimizes transport costs and stabilizes training. Furthermore, environmental awareness is explicitly embedded via Classifier-Free Guidance. Evaluations in dense 2D environments and on a 7-DoF Franka manipulator demonstrate that BridgeFlow achieves up to a 15x inference speedup and a 2x higher valid trajectory rate over state-of-the-art diffusion baselines, alongside robust generalization to entirely unseen environments and arbitrary spatial transformations.
• Abstract（参考訳）: ロボットの運動計画において、剛体変換に対する同値性は頑健な空間一般化に不可欠である。 しかし、現在の学習ベースのプランナーは、固有の平等を欠いているか、変換されたタスクを新しいシナリオとして扱うか、あるいはリアルタイムの推論をボトルネックにする計算に高価な特殊なアーキテクチャによってそれを強制するか、という、重大なジレンマに直面している。 このトレードオフを打破するために,高速かつ厳密なSE(2)等価な生成運動計画フレームワークであるBridgeFlowを提案する。 重い同変ネットワークに頼るのではなく、BridgeFlowは軽量なタスク中心の正準化モジュールを通じて正確な空間同値を実現し、標準アーキテクチャを用いた一般化を可能にする。 さらに推論を加速するため、コンテキスト対応のミニバッチ最適輸送に先立ってブラウン橋を報知する。 これは、輸送コストを最小化し、訓練を安定化するストレート化されたベクトル場を構築する。 さらに、環境意識は、分類自由誘導を通じて明示的に組み込まれている。 密集した2次元環境と7-DoFのフランカマニピュレータでの評価は、BridgeFlowが完全に見えない環境へのロバストな一般化と任意の空間変換とともに、最先端拡散ベースラインよりも最大15倍の推論速度と2倍の有効な軌道速度を達成することを示した。

関連論文リスト

• RoamFlow: Reinforcement-Aligned One-Step Action MeanFlow Policy for Image-Goal Navigation [15.931984448913264]
  RoamFlowは、MeanFlowを利用して軌道合成の平均速度場を予測する生成ナビゲーションフレームワークである。 Habitatシミュレーションと実世界のロボットプラットフォームの両方の実験では、RoamFlowは、リアルタイムの制約下で強力なナビゲーション性能を維持しながら、効率的な推論を実現している。
  論文  参考訳（メタデータ） (2026-06-29T08:10:43Z)
• Drifting Models for Surrogate Flow Modeling [0.4925906256430175]
  学習されたVAE潜在空間でドリフトを行う条件付きアーキテクチャを導入し,ラベル認識マスキングを用いて生成したサンプルを境界条件に整列させる。 我々のモデルは、2桁の精度と流れの整合性の反復拡散に一致し、2桁の速度で実行することができる。
  論文  参考訳（メタデータ） (2026-06-05T17:35:09Z)
• Recall to Predict: Grounding Motion Forecasting in Interpretable Motion Bank [9.873160019979602]
  総合的な「モーションバンク」における予測を基盤としたエンドツーエンドの差別化可能なフレームワークを提案する。 空白のスレートから経路を回帰するのではなく、新しいアンカー検索層を用いて動的に明示的な動きを復元する。 提案手法では,Argoverse 2 および Open Motion データセット上での競合するマルチモーダル精度を実現しつつ,標準潜時クエリの "ブラックボックス" を排除している。
  論文  参考訳（メタデータ） (2026-05-02T11:31:26Z)
• EFlow: Fast Few-Step Video Generator Training from Scratch via Efficient Solution Flow [52.73538517981873]
  EFlowは、ビデオ拡散トランスフォーマーのための効率的な数ステップのトレーニングフレームワークである。 Gated Local-Global Attentionはトークンドロップ可能なハイブリッドブロックである。 Path-Drop Guidedトレーニングは、高価なターゲットを計算的に安価で弱いパスに置き換える。
  論文  参考訳（メタデータ） (2026-03-28T02:06:55Z)
• Hybrid Dual-Path Linear Transformations for Efficient Transformer Architectures [0.0]
  本稿では,アフィン変換を2つのトポロジカルな経路に分解するHybrid Dual-Path Linear (HDPL)演算子について紹介する。 FineWeb-Eduデータセットの実験では、HDPLアーキテクチャが標準のLlamaスタイルのベースラインより優れていることが示されている。 本稿では,トランスフォーマーのバックボーン内での確率的潜在空間の明示的な物質化が,重要な建築的余裕として果たす役割について論じる。
  論文  参考訳（メタデータ） (2026-02-05T20:16:10Z)
• Bidirectional Feature-aligned Motion Transformation for Efficient Dynamic Point Cloud Compression [97.66080040613726]
  特徴空間における動きを暗黙的にモデル化する双方向特徴整合運動変換(Bi-FMT)フレームワークを提案する。 Bi-FMTは、時間的に一貫した潜在表現を生成するために、過去と将来の両方のフレームで機能を調整する。 圧縮効率とランタイムの両方において, Bi-FMT が D-DPCC と AdaDPCC を上回っていることを示す。
  論文  参考訳（メタデータ） (2025-09-18T03:51:06Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• Generalized Schrödinger Bridge Matching [54.171931505066]
  一般化Schr"odinger Bridge (GSB) 問題設定は、機械学習の内外を問わず、多くの科学領域で一般的である。 我々は最近の進歩に触発された新しいマッチングアルゴリズムである一般化シュリンガーブリッジマッチング(GSBM)を提案する。 このような一般化は条件最適制御の解法として、変分近似を用いることができることを示す。
  論文  参考訳（メタデータ） (2023-10-03T17:42:11Z)

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。