論文の概要: Diffusion Policies for Short-Horizon Planning in Robot Crowd Navigation

• arxiv url: http://arxiv.org/abs/2608.27158v1
• Date: Thu, 27 Aug 2026 14:10:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.440123
• Title: Diffusion Policies for Short-Horizon Planning in Robot Crowd Navigation
• Title（参考訳）: ロボット群集ナビゲーションにおける短距離計画のための拡散政策
• Abstract要約: 計画拡散政策最適化は,群集ナビゲーションのための短距離動作チャンクを生成する。 境界違反を衝突として扱う設定を導入する。 実験の結果,PDPOは強いベースラインよりも良好な成功率が得られることがわかった。
• 参考スコア（独自算出の注目度）: 2.9434930072968584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot crowd navigation requires safe and efficient decision-making under dense, dynamic, and multimodal human--robot interactions. Existing reinforcement-learning methods typically output a single reactive action at each timestep, which limits their ability to represent diverse short-term avoidance strategies. We propose Planning Diffusion Policy Optimization (PDPO), an offline-to-online reinforcement-learning framework that uses a diffusion policy to generate short-horizon action chunks for crowd navigation. PDPO is first pretrained on collision-avoidance demonstrations and then fine-tuned online with PPO by treating the denoising process as an internal decision process. During execution, the policy generates a five-step action chunk and applies it in a receding-horizon manner. Furthermore, we observe an evaluation artifact in common crowd-navigation benchmarks: without explicit boundary constraints, learned agents may leave the valid domain and bypass dense crowds. To address this, we introduce a setting in which boundary violations are treated as collisions. Experiments show that PDPO obtains an improved success rate over strong baselines, and ablations demonstrate that action chunks are especially important for the modified bounded benchmark.
• Abstract（参考訳）: ロボット群集のナビゲーションには、密度が高く、ダイナミックで、マルチモーダルな人間-ロボットの相互作用の下で、安全で効率的な意思決定が必要である。 既存の強化学習手法は、通常、各タイミングで単一の反応アクションを出力し、様々な短期的回避戦略を表現する能力を制限する。 本研究では,オフラインからオンラインへの強化学習フレームワークであるPlanning Diffusion Policy Optimization (PDPO)を提案する。 PDPOは、まず衝突回避実験で事前訓練され、その後、分解過程を内部決定プロセスとして扱うことにより、PPOでオンラインで微調整される。 実行中、ポリシーは5ステップのアクションチャンクを生成し、後退水平な方法で適用する。 明示的な境界制約がなければ、学習エージェントは有効なドメインを離れ、密集した群衆をバイパスすることができる。 これを解決するために,境界違反を衝突として扱う設定を導入する。 実験の結果、PDPOは強いベースラインよりも改善された成功率を示し、改良された有界ベンチマークではアクションチャンクが特に重要であることが示された。

関連論文リスト

• From Outcomes to Actions: Leveraging Hindsight for Long-Horizon Language Agent Training [55.744284393275926]
  強化学習(RL)は,複雑なタスクにおいて大規模言語モデル(LLM)を改善する手法として広く採用されている。 既存のRL法は、長い水平相互作用を持つ訓練エージェントの課題に直面している。 本稿では,現在の政策分布と後向き分布の両方を意図空間に投影する,新しい政策勾配法,HPO(Hindsight Policy Optimization)を提案する。
  論文  参考訳（メタデータ） (2026-06-28T08:35:47Z)
• Temporal Logic Guidance for Action-Only Diffusion Policies with World Models [0.764671395172401]
  拡散ポリシはマルチモーダルロボットの動作を可能にするが、推論時に動作モードを選択する能力に制限がある。 本研究では,STLの識別可能な評価を可能にするために,個別の学習世界モデルを用いた行動専用拡散ポリシーの新しいガイダンス手法を提案する。 これにより、再トレーニングを伴わずに制約満足度に向かっての行動が促進され、タスク性能を維持しながら制約順守が改善される。
  論文  参考訳（メタデータ） (2026-06-22T00:12:44Z)
• Aligning Flow Map Policies with Optimal Q-Guidance [50.514994916864275]
  フローマップポリシは、任意のサイズのジャンプを学習することで、高速なアクション生成のために設計されている。 FLOW MAP Q-GUIDANCE (FMQ) は, 批判誘導型信頼領域制約の下でオフラインフローマップポリシーを適用するのに最適な, 原則付きクローズドフォーム学習ターゲットである。 FMQは、オフラインからオフラインまでのRLにおける最先端のパフォーマンスを達成し、平均成功率に対して21.3%の相対的な改善により、以前のワンステップポリシーMVPを上回っている。
  論文  参考訳（メタデータ） (2026-05-12T17:12:29Z)
• Generative Actor-Critic with Soft Bridge Policies [19.121990264725028]
  効果的なソフト生成ポリシーの訓練は、しばしば一緒に起こる2つの障害に直面します。 第一に、端的な作用密度はしばしば利用できないので、既存の方法は通常エントロピー境界、プロキシ、近似に依存する。 これらの障害は、単一のサンプル化されたアクターフォワードパスのみをアクション生成に必要としながら、抽出可能なMaxEnt目標を公開する生成ポリシーを求める動機となります。
  論文  参考訳（メタデータ） (2026-05-09T06:36:32Z)
• AIPO: Learning to Reason from Active Interaction [54.10819421625103]
  AIPOは、ポリシーモデルが、推論ボトルネックに遭遇するときに、3つの機能的協調エージェントを積極的に相談することを可能にする。 AIPOは推論性能を継続的に改善し、異なるポリシーモデルとRLVRアルゴリズムをまたいで堅牢に一般化し、ポリシーモデルの推論能力境界を効果的に拡張する。
  論文  参考訳（メタデータ） (2026-05-08T19:06:55Z)
• V-GRPO: Online Reinforcement Learning for Denoising Generative Models Is Easier than You Think [90.69263509098948]
  本稿では,ELBOをベースとしたサロゲートとグループ相対ポリシー最適化アルゴリズムを統合した変分GRPOを提案する。 V-GRPOはテキストと画像の合成において最先端のパフォーマンスを実現し、MixGRPOよりも2倍のスピードアップ、DiffusionNFTより3倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-04-25T17:03:21Z)
• From Flow to One Step: Real-Time Multi-Modal Trajectory Policies via Implicit Maximum Likelihood Estimation-based Distribution Distillation [18.70033095161235]
  Indicit Likelihood Estimation (IMLE) を用いて条件付きフローマッチングの専門家を高速な単一ステップの学生に蒸留する枠組みを提案する。 双方向のチャンファー距離は、モードカバレッジと忠実度の両方を促進する設定レベルの目的を提供する。 統合認識エンコーダは、さらに多視点RGB、深度、点雲、プロプレセプションを幾何学的認識表現に統合する。
  論文  参考訳（メタデータ） (2026-03-10T09:30:05Z)
• Latent Policy Steering through One-Step Flow Policies [34.06099184809882]
  オフライン強化学習(RL)により、ロボットはリスクを伴わないオフラインデータセットから学習することができる。 遅延ポリシーステアリング(LPS)は、一段階のMeanFlowポリシを通じて、原アクション空間のQ段階をバックプロパゲートすることで、高忠実な遅延ポリシーの改善を可能にする。 OGBenchと現実世界のロボットタスク全体で、LPSは最先端のパフォーマンスを達成し、行動的クローン化と強力な潜在的ステアリングベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-05T15:38:08Z)
• Coverage Improvement and Fast Convergence of On-policy Preference Learning [67.36750525893514]
  言語モデルアライメントのためのオンラインのオンラインプライオリティ学習アルゴリズムは、オフラインのアルゴリズムよりも大幅に優れている。 我々は,サンプリング政策の包括的範囲が政治訓練を通じてどのように進展するかを分析する。 一般機能クラス設定における報奨蒸留のための原則的オンライン方式を開発した。
  論文  参考訳（メタデータ） (2026-01-13T10:46:06Z)
• CAPE: Context-Aware Diffusion Policy Via Proximal Mode Expansion for Collision Avoidance [15.311155448797386]
  近位モード拡張(CAPE)による文脈対応拡散政策 CAPEは、文脈認識の事前と推論時のガイダンスで軌道分布モードを拡張する。 本研究では,多様な操作タスクに対するCAPEの評価を行った。
  論文  参考訳（メタデータ） (2025-11-27T21:53:09Z)
• SDPO: Segment-Level Direct Preference Optimization for Social Agents [56.970902914217156]
  大規模言語モデル(LLM)を利用した社会エージェントは、人間の社会的振る舞いをシミュレートできるが、複雑な社会対話を扱うには不十分である。 マルチターンエージェントの動作を最適化するために,対話内のキーセグメントを動的に選択するセグメントレベル直接参照最適化(SDPO)を提案する。
  論文  参考訳（メタデータ） (2025-01-03T14:09:46Z)

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。