論文の概要: A Study of Conditional Diffusion Models for Open-Loop Control under Dry Friction and Stiction

• arxiv url: http://arxiv.org/abs/2609.01756v1
• Date: Tue, 01 Sep 2026 18:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.839304
• Title: A Study of Conditional Diffusion Models for Open-Loop Control under Dry Friction and Stiction
• Title（参考訳）: ドライ摩擦下における開ループ制御条件拡散モデルの検討
• Abstract要約: アクション拡散(Action Diffusion)は、ドライ摩擦とスティクションを備えた点質量系の開ループ分布である。 条件1D U-Netは、初期状態および目標状態に条件付けられた有界制御シーケンスを生成する。 その結果,特に低サンプル状態において,動作拡散は終端誤差と停止ステップを減少させることがわかった。
• 参考スコア（独自算出の注目度）: 0.913755431537592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have recently emerged as expressive generative priors for planning and control. This paper studies Action Diffusion, an action-sequence diffusion formulation used as an open-loop proposal distribution for a point-mass system with dry friction and stiction. In this benchmark, motion starts only when the applied input exceeds a static-friction threshold, so effective controls occupy a small and temporally structured subset of the action-sequence space. A compact conditional 1D U-Net generates bounded control sequences conditioned on initial and target states. We compare it with uniform random shooting, random shooting from the same structured dataset prior, and the Cross-Entropy Method (CEM). Results show that Action Diffusion reduces terminal error and stuck steps, especially in low-sample regimes. These results indicate that conditional diffusion provides an effective mechanism for generating temporally coherent control sequences that overcome stiction by conditioning and recombining structured control primitives from the training prior for state-to-state open-loop control.
• Abstract（参考訳）: 拡散モデルは最近、計画と制御のための表現的な生成の先行として登場した。 本稿では, ドライ摩擦およびスチクションを有する点質量系の開ループ提案分布として用いられるアクション系列拡散式であるアクション拡散について検討する。 このベンチマークでは、動作は印加された入力が静的摩擦閾値を超える場合にのみ開始されるので、効果的な制御はアクションシーケンス空間の小さく時間的に構造化されたサブセットを占有する。 コンパクトな条件1D U-Netは、初期状態および目標状態に条件付けられた有界制御シーケンスを生成する。 我々は、同じ構造化データセットから一様ランダムシューティング、ランダムシューティング、およびクロスエントロピー法(CEM)と比較した。 その結果,特に低サンプル状態において,動作拡散は終端誤差と停止ステップを減少させることがわかった。 これらの結果から,条件付き拡散は,状態間オープンループ制御前のトレーニングから構造化制御プリミティブを条件付け,再結合することにより,規則を克服する時間的コヒーレントな制御シーケンスを生成する有効なメカニズムを提供することが示された。

関連論文リスト

• SteeringDiffusion: A Bottlenecked Activation Control Interface for Diffusion Models [1.9336815376402718]
  SteeringDiffusionは、拡散モデルのためのボトルネック化されたアクティベーションレベル制御インターフェースである。 ゼロアワード設計は、ゼロスケールでのベースモデルへの正確な同値性を保証する。 安定拡散1.5およびSDXLに関する実験を通じて、ステアリング拡散は滑らかで単調なコンテンツスタイルのトレードオフを生成することを示した。
  論文  参考訳（メタデータ） (2026-05-03T00:29:10Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Predict-Project-Renoise: Sampling Diffusion Models under Hard Constraints [5.539946449743145]
  物理法則や観測整合性などの厳しい制約を世代毎に適用する制約付きサンプリングフレームワークを導入する。 提案手法では,制約条件を満たすサンプルの集合にのみ拡散する制約付き前方過程を定義し,制約付き辺縁分布を誘導する。 本稿では,制約された辺縁領域から,予測と予測を交互に行い,実現可能なセットに投影し,再現性のあるアルゴリズムであるPredict-Project-Renoise (PPR)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T20:50:19Z)
• ACD: Direct Conditional Control for Video Diffusion Models via Attention Supervision [62.41380823195191]
  本稿では,注意監督による映像拡散モデルにおける直接条件制御のためのフレームワークである,注意継続拡散(Attention-Conditional Diffusion)を提案する。 ACDは、モデルの注意マップと外部制御信号との整列により、より良い制御性を実現する。 ベンチマークビデオ生成データセットの実験は、ACDがコンディショニング入力と優れたアライメントを提供することを示した。
  論文  参考訳（メタデータ） (2025-12-24T16:24:18Z)
• RED-F: Reconstruction-Elimination based Dual-stream Contrastive Forecasting for Multivariate Time Series Anomaly Prediction [19.04414742117033]
  本稿では,再構成に基づくDual-stream Contrastive Forecasting フレームワークを提案する。 このフレームワークは、絶対信号検出の難しいタスクを、相対軌道比較のより単純で堅牢なタスクに変換する。 6つの実世界のデータセットの実験は、異常予測タスクにおけるRED-Fの優れた能力を示している。
  論文  参考訳（メタデータ） (2025-11-25T08:11:41Z)
• Projected Coupled Diffusion for Test-Time Constrained Joint Generation [49.69610867216755]
  制約付きジョイント生成のための新しいテストタイムフレームワークであるProjected Coupled Diffusion (PCD)を提案する。 PCDは、拡散モデル間の協調を促進するために生成力学に結合したガイダンス項を導入し、各拡散ステップにプロジェクションステップを組み込んで厳しい制約を強制する。 その結果,過剰な計算コストを発生させることなく,結合効果の向上と制約満足度が保証された。
  論文  参考訳（メタデータ） (2025-08-14T11:05:31Z)
• Physics-Informed Neural Networks for Control of Single-Phase Flow Systems Governed by Partial Differential Equations [4.776073133338117]
  物理インフォームド・ニューラルネット・フォー・コントロール(PINC)フレームワークを拡張して,ニューラルネットワークと物理保存法則を統合する。 PDEのPINCモデルは、幅広い制御入力に対する平衡解を学習する定常ネットワークと、時間変化境界条件下で動的応答をキャプチャする過渡的ネットワークの2段階に構成されている。 本研究では,物理法則のみを用いてトレーニングされたPINCモデルを用いて,流れのダイナミクスを正確に表現し,リアルタイム制御が可能であることを実証し,数値実験により本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-06-06T15:50:19Z)
• Constrained Discrete Diffusion [61.81569616239755]
  本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。 CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
  論文  参考訳（メタデータ） (2025-03-12T19:48:12Z)
• Adding Additional Control to One-Step Diffusion with Joint Distribution Matching [58.37264951734603]
  JDMは、画像-条件関節分布間の逆KL分散を最小化する新しいアプローチである。 トラクタブルな上限を導出することにより、JDMは条件学習から忠実度学習を分離する。 この非対称蒸留方式により,一段階の生徒が教師モデルに未知の制御を処理できるようになる。
  論文  参考訳（メタデータ） (2025-03-09T15:06:50Z)
• Contrastive CFG: Improving CFG in Diffusion Models by Contrasting Positive and Negative Concepts [55.298031232672734]
  As-Free Guidance (CFG) は条件拡散モデルサンプリングに有効であることが証明された。 対照的な損失を用いた負のCFG誘導を強化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T03:29:27Z)
• CL-DiffPhyCon: Closed-loop Diffusion Control of Complex Physical Systems [10.167080282182972]
  物理系制御のための効率的な閉ループ拡散法(CL-DiffPhyCon)を提案する。 CL-DiffPhyConは、異なる物理時間ステップに非同期なdenoisingフレームワークを使用することで、システムからのリアルタイムフィードバックに条件付けられた制御信号を生成する。 CL-DiffPhyConを1次元バーガースの方程式制御と2次元非圧縮性流体制御の2つのタスクで評価した。
  論文  参考訳（メタデータ） (2024-07-31T14:54:29Z)
• A Strategy for Preparing Quantum Squeezed States Using Reinforcement Learning [0.0]
  非古典的状態を生成するために,強化学習を工学的制御分野に適用する手法を提案する。 強化学習剤は、コヒーレントスピン状態から発生する制御パルスの時間シーケンスを決定する。 この研究は、他の量子系を操作するための応用の道を開いた。
  論文  参考訳（メタデータ） (2024-01-29T17:23:25Z)

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。