論文の概要: Dual Process Motion Planning

• arxiv url: http://arxiv.org/abs/2609.01260v1
• Date: Tue, 01 Sep 2026 13:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.717213
• Title: Dual Process Motion Planning
• Title（参考訳）: デュアルプロセス運動計画
• Authors: Jiayi Yan, Francesco Fabiano, Alessandro Abate,
• Abstract要約: 頑健な推論と学習の強みを組み合わせたデュアルプロセスアーキテクチャを導入する。 我々のフレームワークは、経験駆動型System-1'モジュールでSystem-2'コンポーネントとして最先端のシンボルソルバを統合している。
• 参考スコア（独自算出の注目度）: 53.570848178455776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic systems are deeply embedded in both industry and everyday life, where they are expected to act with speed, precision, and reliability. Classical control and planning methods have long delivered strong guarantees, but often at the cost of computational efficiency and adaptability. More recently, learning-based approaches have shown promise in overcoming these limitations, enabling agents to leverage experience to accelerate decision-making and address previously intractable problems. In this work, we bridge these two approaches through a neuro-symbolic perspective on nonlinear motion planning. Inspired by the Thinking Fast and Slow paradigm, we introduce a dual-process architecture that combines the strengths of robust reasoning and learning. Our framework integrates state-of-the-art symbolic solvers as a ``System-2'' component with experience-driven ``System-1'' modules. A metacognitive controller dynamically orchestrates their interaction, selecting when to rely on fast intuition versus slower, more precise reasoning. By evaluating the framework across diverse nonlinear benchmark environments, we demonstrate that this architecture yields consistent gains in planning efficiency, accuracy, and generalization, while promoting reuse across tasks. The results suggest that tightly coupling learning with structured reasoning offers a scalable path toward more capable and adaptive robotic systems.
• Abstract（参考訳）: ロボットシステムは、産業と日常生活の両方に深く埋め込まれており、スピード、精度、信頼性で行動することが期待されている。 古典的な制御と計画手法は長い間強い保証を提供してきたが、しばしば計算効率と適応性に犠牲を払っている。 最近では、学習ベースのアプローチがこれらの制限を克服する可能性を示しており、エージェントは経験を活用して意思決定を加速し、これまで難解だった問題に対処することができる。 本研究では,この2つのアプローチを非線形運動計画のニューロシンボリックな視点で橋渡しする。 Thinking FastとSlowのパラダイムに触発されて、堅牢な推論と学習の強みを組み合わせたデュアルプロセスアーキテクチャを導入しました。 我々のフレームワークは、経験駆動型の ``System-1'' モジュールで ``System-2'' コンポーネントとして最先端のシンボルソルバを統合している。 メタ認知コントローラは、対話を動的にオーケストレーションし、速い直観と遅い、より正確な推論に依存するタイミングを選択する。 様々な非線形ベンチマーク環境におけるフレームワークの評価により、このアーキテクチャは、タスク間の再利用を促進しながら、計画効率、精度、一般化において一貫した利益をもたらすことを示した。 その結果,構造化推論と学習の密結合は,より有能で適応的なロボットシステムへのスケーラブルな経路をもたらすことが示唆された。

関連論文リスト

• Pangu Embedded: An Efficient Dual-system LLM Reasoner with Metacognition [95.54406667705999]
  Pangu Embeddedは、Ascend Neural Processing Units (NPU) 上で開発された効率的なLarge Language Model (LLM) 推論器である。 既存の推論最適化 LLM でよく見られる計算コストと推論遅延の問題に対処する。 単一の統一モデルアーキテクチャ内で、迅速な応答と最先端の推論品質を提供する。
  論文  参考訳（メタデータ） (2025-05-28T14:03:02Z)
• Incentivizing Dual Process Thinking for Efficient Large Language Model Reasoning [75.04643265875072]
  大規模推論モデル(LRM)は複雑な推論タスクに対して強い性能を示してきたが、しばしば過度に考えることに悩まされている。 認知科学における二重プロセス理論に着想を得て,適応認知政策最適化を提案する。 ACPOは、適応的な認知アロケーションと動的システムスイッチによって、LRMの効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2025-05-22T07:15:08Z)
• DSADF: Thinking Fast and Slow for Decision Making [18.563568719536033]
  RLエージェントと高速かつ直感的な意思決定のためのメモリ空間からなるシステム1と、深く解析的な推論のためのVLMによって駆動されるシステム2の2つの補完モジュールを統合するためのデュアルシステム適応決定フレームワーク(DSADF)を提案する。
  論文  参考訳（メタデータ） (2025-05-13T02:58:04Z)
• FASIONAD++ : Integrating High-Level Instruction and Information Bottleneck in FAt-Slow fusION Systems for Enhanced Safety in Autonomous Driving with Adaptive Feedback [15.55944950850973]
  FASIONADは、VLMベースの推論モジュールで高速なエンドツーエンドプランナーをシナジする、新しいデュアルシステムフレームワークである。 オープンループ実験では、FASIONADは平均$L2$軌道誤差を6.7%削減し、28.1%$衝突率を下げる。
  論文  参考訳（メタデータ） (2025-03-11T08:27:01Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• FASIONAD : FAst and Slow FusION Thinking Systems for Human-Like Autonomous Driving with Adaptive Feedback [15.805379735361862]
  本稿では,認知モデル "Thinking, Fast and Slow" に触発された新しいデュアルシステムフレームワークであるFASIONADを提案する。 高速システムは、高速でデータ駆動の経路計画を使用してルーチンナビゲーションタスクを処理し、遅いシステムは、困難な状況や不慣れな状況における複雑な推論と意思決定に重点を置いている。 高速システムによって生成された視覚的プロンプトは、低速システムにおける人間のような推論を可能にし、高速システムの意思決定を強化するための高品質なフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-11-27T03:14:16Z)
• Synergising Human-like Responses and Machine Intelligence for Planning in Disaster Response [10.294618771570985]
  デュアルプロセス理論(DPT)にインスパイアされた注意に基づく認知アーキテクチャを提案する。 このフレームワークは、高速だが(人間のような)応答と、遅いが最適化されたマシンインテリジェンスの計画能力を統合する。
  論文  参考訳（メタデータ） (2024-04-15T15:47:08Z)

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。