論文の概要: Unified Prediction and Planning via Conflict-Aware Disjoint Parameter Training

• arxiv url: http://arxiv.org/abs/2607.19971v1
• Date: Wed, 22 Jul 2026 09:54:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.051355
• Title: Unified Prediction and Planning via Conflict-Aware Disjoint Parameter Training
• Title（参考訳）: 衝突認識型解離パラメータトレーニングによる統一予測と計画
• Authors: Taewon Seo, Seonae Jeon, Giwon Lee, Kuk-Jin Yoon, Daehee Park,
• Abstract要約: 混雑した環境での社会ロボットナビゲーションには、周囲のエージェントの正確な予測と安全な計画が必要である。 本稿では,新しいモデルベースフレームワークであるDisjoint表現を提案する。 トレーニング(DPT) – コア機能を維持しながら、各タスクのキーパラメータ領域を分離する。 DPTは、様々なマージ手法と並行して適用することができる。
• 参考スコア（独自算出の注目度）: 45.15470201181512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate motion prediction of surrounding agents and safe motion planning are two closely coupled key tasks for social robot navigation in crowded environments. Deploying these systems on resource-constrained edge devices necessitates compact, unified models that can perform both tasks simultaneously. However, within these compact shared encoders, recent unified models often overlook severe representational conflicts that arise from the distinct objectives of predicting neighbor behaviors versus ego-centric safety planning. To address this issue, we first identify the Skill Conflict$\unicode{x2014}$a phenomenon where overlapping parameter assignments cause distinct tasks to compete for the same weights, preventing the model from fully specializing in individual skills. To resolve this, we propose a novel model-merging-based framework, Disjoint Parameter Training (DPT). DPT mitigates performance degradation caused by Skill Conflict through distributed parameter learning, which separates the key parameter regions of each task while preserving their core capabilities prior to merging. In addition, we observe that sparse merging, which selectively integrates only the most influential parameters for each task rather than combining all task-specific parameters, yields optimal performance by preventing interference among adjacent features and concentrating representational capacity. DPT can be applied in parallel with a variety of merging methods. Evaluated on standard crowd navigation benchmarks (JRDB and JTA), our framework demonstrates superior performance, validating its versatility and effectiveness for safe, resource-efficient robot navigation.
• Abstract（参考訳）: 周囲のエージェントの正確な動き予測と安全な動き計画は、混み合った環境での社会ロボットナビゲーションにおいて、密接に結びついた2つの重要なタスクである。 これらのシステムをリソース制約のあるエッジデバイスにデプロイするには、両方のタスクを同時に実行できるコンパクトで統一されたモデルが必要である。 しかしながら、これらのコンパクトな共有エンコーダでは、近年の統一モデルは、近隣の行動とエゴ中心の安全計画を予測するという明確な目的から生じる、厳しい表現的衝突をしばしば見落としている。 この問題に対処するために、我々はまず、重なり合うパラメータ代入が同一の重みを競うために異なるタスクを引き起こすSkill Conflict$\unicode{x2014}$a現象を特定する。 そこで本研究では,新しいモデル統合型フレームワークであるDisjoint Parameter Training (DPT)を提案する。 DPTは、分散パラメータ学習を通じてスキル衝突によるパフォーマンス劣化を軽減し、マージ前のコア機能を維持しながら、各タスクのキーパラメータ領域を分離する。 さらに,タスク固有のパラメータを全て組み合わせるのではなく,各タスクに対して最も影響力のあるパラメータのみを選択的に統合したスパースマージが,隣接した特徴間の干渉を防止し,表現能力の集中化によって最適な性能を得ることを示した。 DPTは、様々なマージ手法と並行して適用することができる。 標準の群集ナビゲーションベンチマーク(JRDBとJTA)に基づいて,本フレームワークは優れた性能を示し,その汎用性と安全性,資源効率のよいロボットナビゲーションの有効性を検証した。

関連論文リスト

• Model Merging in the Essential Subspace [78.5390284258307]
  モデルマージは、複数のタスク固有の細調整されたモデルを、追加のトレーニングなしで単一のマルチタスクモデルに統合することを目的としている。 広範囲の研究にもかかわらず、タスク干渉は依然として大きな障害であり、しばしば統合されたモデルの性能を損なう。 効率的なモデルマージのための堅牢なフレームワークであるESM(Essential Subspace Merging)を提案する。
  論文  参考訳（メタデータ） (2026-02-23T00:33:38Z)
• Parameter Aware Mamba Model for Multi-task Dense Prediction [69.94454603308196]
  本稿では,マルチタスク学習環境における高密度予測に特化して設計された,新しいデコーダベースのフレームワーク Aware Mamba Model (PAMM) を紹介する。 タスク固有のパラメータを統合および設定し、各タスクの固有の特性をキャプチャする、二重状態空間パラメータの専門家を特徴とする。 マルチディレクショナル・ヒルベルト走査法を用いて多角特徴系列を構築し、2次元データに対するシーケンスモデルの知覚能力を向上する。
  論文  参考訳（メタデータ） (2025-11-18T13:48:00Z)
• PanMatch: Unleashing the Potential of Large Vision Models for Unified Matching Models [80.65273820998875]
  頑健な対応マッチングのための汎用基盤モデルであるPanMatchを提案する。 我々の重要な洞察は、任意の2フレーム対応タスクが2次元変位推定フレームワーク内で処理可能であることである。 PanMatchは、偏差推定アルゴリズムを前例のない一般化能力で実現し、マルチタスク統合を実現する。
  論文  参考訳（メタデータ） (2025-07-11T08:18:52Z)
• CABS: Conflict-Aware and Balanced Sparsification for Enhancing Model Merging [11.2457468104475]
  タスクベクトルに基づくモデルマージは、複数のタスク固有のモデルを再トレーニングせずにマルチタスクモデルに統合する効率的な方法を提供する。 最近の研究は、モデルのマージによって直面する重要な課題の1つであるタスクベクトル間の衝突に、スパーシフィケーションを通じて対処するために努力されている。 CABS(Conflict-Aware and Balanced Sparsification)を提案する。
  論文  参考訳（メタデータ） (2025-02-26T12:38:55Z)
• RobustMerge: Parameter-Efficient Model Merging for MLLMs with Direction Robustness [28.437105789298244]
  RobustMergeは、方向ロバスト性を維持するために相補的なパラメータ適応を備えたトレーニング不要なパラメータ効率のマージ手法である。 多様なマルチモーダルタスクからなるベンチマークを構築し,本手法の卓越した性能と一般化性を証明する実験を行った。
  論文  参考訳（メタデータ） (2025-02-24T13:52:05Z)
• TIES-Merging: Resolving Interference When Merging Models [95.59265307318752]
  転送学習は、ダウンストリーム性能の改善、収束の高速化、サンプル効率の向上など、大きな利点をもたらす可能性がある。 モデルマージは、追加のトレーニングを行うことなく、複数のタスク固有のモデルを単一のモデルに組み合わせるソリューションとして登場した。 既存のマージ手法は、しばしば異なるモデルのパラメータ間の干渉を無視し、複数のモデルのマージ時に大きなパフォーマンス低下を引き起こす。 本稿では,モデル統合における新たな3つのステップとして,微調整時に少量だけ変化したパラメータをリセットし,符号衝突を解消し,最終的な一致した符号に一致したパラメータのみをマージするTIES-Mergingを提案する。
  論文  参考訳（メタデータ） (2023-06-02T17:31:32Z)

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。