論文の概要: Fast Generative Grasping via Lie Group-Constrained MeanFlow
- arxiv url: http://arxiv.org/abs/2608.26076v1
- Date: Wed, 26 Aug 2026 17:43:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:16.009813
- Title: Fast Generative Grasping via Lie Group-Constrained MeanFlow
- Title（参考訳）: Lie Group-Constrained Mean Flowによる高速な生成グラスピング
- Authors: S. Talha Bukhari, Yi Wei, Ruiqi Ni, Zachary Kingston, Aniket Bera,
- Abstract要約: 生成ロボットの把握は、拡散やフローベースアプローチといった深い生成モデルを用いて、この分布を学習することを目的としている。
積 Lie 群 $mathcalG = MathrmSO(3) times mathbbR3$ 上の MeanFlow に基づく高速な生成的把握へのアプローチを考案する。
提案手法は,トレーニングやドメイン適応を伴わずに,実世界のロボットグリップに直接変換できることを実証する。
- 参考スコア（独自算出の注目度）: 18.444519660500447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Grasp synthesis is a core task in robotic manipulation, for which the solution typically forms a multimodal distribution rather than a point estimate. Generative robotic grasping aims to learn this distribution with deep generative models such as diffusion and flow-based approaches. The iterative nature of such generative models makes them flexible and generalizable; however, multi-step sampling impedes the time-critical operation required in robotics. We devise an approach to fast generative grasping based on MeanFlow on the product Lie group $\mathcal{G} = \mathrm{SO}(3) \times \mathbb{R}^3$. The training objective couples a purely algebraic semigroup consistency condition with Riemannian Conditional Flow Matching on $\mathcal{G}$ that anchors the average velocity to the data distribution. The resulting Lie Group-constrained MeanFlow formulation samples reliable grasps in $\leq 5$ network evaluations, matching the grasp generation performance of state-of-the-art diffusion and flow-based models on the ACRONYM dataset at millisecond-scale inference latency (up to $39\times$ speed-up). We further demonstrate that the approach directly translates to real-world robotic grasping without additional training or domain adaptation, exhibiting robust grasp synthesis under observation noise.
- Abstract（参考訳）: グラフ合成はロボット操作における中核的なタスクであり、解は通常、点推定よりも多モーダル分布を形成する。
生成ロボットの把握は、拡散やフローベースアプローチといった深い生成モデルを用いて、この分布を学習することを目的としている。
このような生成モデルの反復的な性質は柔軟で一般化可能であるが、多段階サンプリングはロボット工学に必要な時間クリティカルな操作を妨げる。
積 Lie 群 $\mathcal{G} = \mathrm{SO}(3) \times \mathbb{R}^3$ 上の MeanFlow に基づく高速な生成的把握へのアプローチを考案する。
トレーニング対象は、データ分布の平均速度を固定する$\mathcal{G}$上のリーマン条件フローマッチングと純粋に代数的な半群整合条件を結合する。
その結果、Lie Groupで制約されたMeanFlowの定式化サンプルは、ネットワーク評価の$\leq 5$で、ミリ秒スケールの推論レイテンシでACRONYMデータセット上の最先端拡散モデルとフローベースモデルのグリップ生成性能をマッチングする(最大39\times$ Speed-up)。
さらに,本手法は,学習や領域適応を伴わず,実世界のロボットグルーピングに直接変換し,観測雑音下で頑健なグルーピング合成を示すことを実証した。
関連論文リスト
- Accelerating Discrete Diffusion Models with Parallel-In-Time Sampling [55.388363730120325]
本研究では,CTMC(Continuous-Time Markov Chain)フレームワークにおいて,離散拡散を吸収するための$-leapingアルゴリズムを並列化する。
我々は,$$-leapingアルゴリズムとPicard法の連続時間積分形式を利用して,並列時間サンプリング高速化を実現する。
本研究は, 分子構造や言語生成などの応用において, 効率的な並列推論のための離散拡散モデルの可能性を広げるものである。
論文 参考訳（メタデータ） (2026-07-01T10:59:33Z) - Simplifying Flow Matching Transformations with Low-Rank Mixture Models [58.797704398690165]
本稿では,確率的主成分分析器(MPPCA)の混合物を流動の正規化のための潜在密度として用いることを提案する。
我々は,KL分散の観点でデータ分布とより密接に一致した潜在分布を学習することにより,学習フロー変換を単純化する。
MPPCAモデルは期待最大化アルゴリズムを用いて迅速かつ安価に適合し、高次元生成タスクにおいても潜在分布を初期化するための実用的な選択となる。
論文 参考訳（メタデータ） (2026-06-29T03:03:06Z) - One-Step Generative Modeling via Wasserstein Gradient Flows [56.266175641614986]
W-Flowは、単純な参照分布からサンプルをターゲットデータ分布からサンプルに変換するジェネレータを1ステップでトレーニングするフレームワークである。
我々は1ステップのImageNet 256$times$256 生成のための新しい技術状況を設定し、モードカバレッジとドメイン転送を改善した 1.29 FID を達成した。
論文 参考訳（メタデータ） (2026-05-12T08:29:44Z) - ODE-free Neural Flow Matching for One-Step Generative Modeling [4.319549155064877]
拡散およびフローマッチングモデルは、データにノイズを伝達する時間依存ベクトル場を学習することでサンプルを生成する。
本稿では,フローマップとニューラルフローをパラメータ化するODEフリーな生成フレームワークOT-NFMを提案する。
本研究では,不整合なノイズデータペアリングがすべての出力をデータ平均に向かって駆動する場合,フローマップ学習が平均崩壊に苦しむことを示す。
論文 参考訳（メタデータ） (2026-04-07T19:49:57Z) - Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。
平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。
球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
論文 参考訳（メタデータ） (2026-03-11T12:41:46Z) - Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。
速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文 参考訳（メタデータ） (2025-12-01T05:14:25Z) - Efficiency vs. Fidelity: A Comparative Analysis of Diffusion Probabilistic Models and Flow Matching on Low-Resource Hardware [0.0]
Denoising Diffusion Probabilistic Models (DDPMs) は、生成画像合成における新しい最先端技術を確立した。
本研究では,新たなフローマッチングパラダイムに対するDDPMの比較分析を行った。
論文 参考訳（メタデータ） (2025-11-24T18:19:42Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Local Flow Matching Generative Models [19.859984725284896]
フローマッチング(英: Flow Matching, FM)は、2つの分布を補間する連続的かつ非可逆的な流れを学習するためのシミュレーション不要な手法である。
FMサブモデルのシーケンスを連続的に学習するLFM(Local Flow Matching)と呼ばれるステップワイズFMモデルを提案する。
FMと比較して, LFMの訓練効率と競争的生成性能の改善を実証的に実証した。
論文 参考訳（メタデータ） (2024-10-03T14:53:10Z) - Computing high-dimensional optimal transport by flow neural networks [19.859984725284896]
本研究は,フローモデルを最適化することにより,任意の2つの分布に対して$P$と$Q$の動的OTを計算することを提案する。
本手法は輸送コストを最小限に抑える非可逆流を見つけることによって動的OTを学習する。
提案モデルが高次元データに与える影響は,OTベースライン,画像から画像への変換,高次元DRE上での強い経験的性能によって実証される。
論文 参考訳（メタデータ） (2023-05-19T17:48:21Z)
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。