論文の概要: NeurRAFT: Robot Motion Planning via Anchor-Level Flow Matching with Clearance-Aware Preference Tuning

• arxiv url: http://arxiv.org/abs/2608.24026v1
• Date: Tue, 25 Aug 2026 03:31:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.786769
• Title: NeurRAFT: Robot Motion Planning via Anchor-Level Flow Matching with Clearance-Aware Preference Tuning
• Title（参考訳）: NeurRAFT:Anchor-Level Flow Matching with Clearance-Aware Preference Tuningによるロボット運動計画
• Abstract要約: 我々は,アンカーレベルのフローマッチングとクリアランスを考慮した選好チューニングに基づく生成計画フレームワークNeurRAFTを提案する。 実験は最先端のプランナーよりも大幅に改善され、実世界の実験ではフランカロボットへのゼロショット転送が実証された。
• 参考スコア（独自算出の注目度）: 5.973392871392725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent end-to-end neural motion planners generate trajectories from raw sensor observations, avoiding the privileged geometric models required by classical planners. However, collision-free planning in cluttered environments remains challenging. We present NeurRAFT, a generative planning framework based on anchor-level flow matching and clearance-aware preference tuning. Unlike prior neural planners that model dense waypoint sequences and spend capacity on redundant local details and smoothness, NeurRAFT operates on compact anchor waypoints. We train the planner using a Jacobian-weighted loss that accounts for the task-space impact of each anchor. At inference, the anchors are generated in two integration steps, followed by cubic-spline interpolation to recover a smooth, full-resolution trajectory. Since imitation learning from positive demonstrations cannot distinguish collision-free from near-collision trajectories, collision-prone behaviors persist at test time. Rather than relying on post-hoc corrections, we directly reshape the pretrained planner's distribution toward safer solutions without augmenting inference. Specifically, Direct Preference Optimization shifts probability mass toward trajectories with larger obstacle clearance, with the resulting improvement directly absorbed into the planner parameters. Experiments show substantial improvements over state-of-the-art planners, while real-world experiments demonstrate zero-shot transfer to a Franka robot under noisy and partially occluded depth observations. Video results available at https://neurraft.github.io/.
• Abstract（参考訳）: 最近のエンド・ツー・エンドのニューラル・モーション・プランナーは、古典的なプランナーが必要とする特権付き幾何学モデルを避けるために、生のセンサー観測から軌道を生成する。 しかし、乱雑な環境での衝突のない計画は依然として困難である。 我々は,アンカーレベルのフローマッチングとクリアランスを考慮した選好チューニングに基づく生成計画フレームワークNeurRAFTを提案する。 密集したウェイポイントシーケンスをモデル化し、冗長な局所的な詳細と滑らかさに費やす以前のニューラルプランナーとは異なり、NeurRAFTはコンパクトなアンカー・ウェイポイントで動作する。 我々は、各アンカーのタスク空間への影響を考慮に入れた、ヤコビアン重み付き損失を使ってプランナーを訓練する。 推測では、アンカーは2つの積分ステップで生成され、続いて立方体-スプライン補間により滑らかで完全な軌道を回復する。 実証実験からの模倣学習は衝突のない軌道とほぼ衝突軌道とを区別できないため、衝突確率の挙動はテスト時に持続する。 ポストホック補正に頼るのではなく、事前訓練されたプランナーの分布を、推論を増大させることなく、より安全な解へと直接再構成する。 具体的には、直接選好最適化は、確率質量をより大きな障害物クリアランスを持つ軌道へとシフトさせ、その結果、改善をプランナーパラメータに直接吸収する。 実験では、最先端のプランナーよりも大幅に改善され、実世界の実験では、ノイズと部分的に閉塞された深度観測の下でフランカロボットにゼロショットの移動が実証された。 ビデオはhttps://neurraft.github.io/.comで公開されている。

関連論文リスト

• Some Modifications to Our End-to-End UAV Planner [2.3190673374277524]
  一段プランナーは、単一の深度画像とロボット状態とを直接、候補軌跡のセットにマッピングする。 YOPOのマルチモーダル予測は、異なるホモトピークラスにまたがり、各動作を、明確な安全構築や建設の罰則を伴わずに、軌道を許容可能な軌道に閉じ込める軌跡として扱う。
  論文  参考訳（メタデータ） (2026-08-16T13:39:46Z)
• Biconvex Optimization for Smooth Minimum-Time Trajectories around Convex Obstacles [49.315843050082925]
  本稿では,最小時間移動計画凸障害物に対して,収束が保証されるバイアプローチを提案する。 提案手法は,変数の最先端分解を生成するために,時間とともに高品質な軌道を生成する。
  論文  参考訳（メタデータ） (2026-08-03T19:48:24Z)
• Model Predictive Planner for UAV Navigation in Non-Convex Air Corridors [1.2617078020344616]
  本研究は,UAV空洞の運動機構について述べる。 プランナーは、外部実現性を強制する混合整数追跡モデルに基づいている。
  論文  参考訳（メタデータ） (2026-07-27T12:42:38Z)
• iGSP:Implicit Gradient Subspace Projection for Efficient Continual Learning of Vision-Language Models [14.623213614166259]
  iGSPは暗黙の勾配部分空間投影による効率的な適応を実現する新しいフレームワークである。 MTILベンチマークの実験は、iGSPが最先端の精度を達成することを示した。
  論文  参考訳（メタデータ） (2026-05-19T03:22:14Z)
• RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
  RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。 様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。 強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
  論文  参考訳（メタデータ） (2026-04-16T17:59:44Z)
• Amortizing Trajectory Diffusion with Keyed Drift Fields [2.5352713493505785]
  キード・ドリフト・ポリシーズ (Keyed Drifting Policies) は、ドリフトフィールドの目標で訓練された1ステップの軌道生成装置である。 生成されたトラジェクトリを条件マッチングされたデータセットウィンドウに反映する。 1ステップの推論で高い性能を達成し、拡散サンプリングよりも計画遅延を大幅に低減する。
  論文  参考訳（メタデータ） (2026-03-14T17:56:15Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• NoTVLA: Narrowing of Dense Action Trajectories for Generalizable Robot Manipulation [54.87964060934928]
  VLA(Vision-Language-Action)モデルは、現実の展開において重要な障壁に直面している。 本稿では,軌道の狭小化に焦点を絞った新しい手法として,軌道の狭小化(Narrowing of Trajectory)VLAフレームワークを提案する。 NoTVLAは2つのクリティカルな制約の下で動作しながら、pi0よりも優れたパフォーマンスと一般化を実現している。
  論文  参考訳（メタデータ） (2025-10-04T18:26:55Z)
• Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
  我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。 本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
  論文  参考訳（メタデータ） (2025-03-14T17:59:41Z)
• Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction [82.72686460985297]
  我々はマンハッタンのフレームを推定する問題に取り組む。 2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。 また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
  論文  参考訳（メタデータ） (2023-08-21T13:03:25Z)
• Adaptive Selection of Informative Path Planning Strategies via Reinforcement Learning [6.015556590955814]
  ローカルプランニング」アプローチでは,次回のサンプリング場所の優先順位が予測性能や帰路距離に与える影響を調査するために,様々な空間範囲が採用されている。 温度モニタリングロボットの使用事例実験により、プランナーの動的混合物は高度な情報プランを生成できるだけでなく、予測信頼性を犠牲にすることなく、大幅に距離を縮めることができることが示された。
  論文  参考訳（メタデータ） (2021-08-14T21:32:33Z)

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。