論文の概要: Large Discrete Policy: Advancing Explicit Behavior Modeling with Stochastic Iterative Scoring

• arxiv url: http://arxiv.org/abs/2609.07049v1
• Date: Mon, 07 Sep 2026 05:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 01:53:07.599492
• Title: Large Discrete Policy: Advancing Explicit Behavior Modeling with Stochastic Iterative Scoring
• Title（参考訳）: 大規模離散政策:確率的反復スコーリングによる明示的行動モデリングの促進
• Abstract要約: 大規模ポリシー(LDiP)は、物理的に妥当な候補の大きな語彙から行動を選択する、完全に独立した行動モデリングフレームワークである。 摂動作用ではなく、LDiPは反復的なスコアリングによって表現性を向上する。 エンド・ツー・エンドの計画、クローズドループ・ドライブ、ロボット操作、ビジョン・ランゲージ・アクション・セッティングを通じて、LDiPは強い離散的かつ連続的なベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 77.17706435067372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Behavior policies are often formulated as continuous generative models, whose iterative denoising processes are expressive but difficult to interpret and prone to producing implausible actions. We propose the Large Discrete Policy (LDiP), a fully discrete behavior modeling framework that selects actions from a large vocabulary of physically plausible candidates. Rather than perturbing actions, LDiP improves expressivity through stochastic iterative scoring: it progressively re-scores and prunes candidates with score-space stochasticity, enabling fine-grained ranking and exploration among plausible actions while preserving an explicit decision process. Across end-to-end planning, closed-loop driving, robotic manipulation, and vision-language-action settings, LDiP consistently outperforms strong discrete and continuous baselines in autonomous driving, and exceeds or matches continuous generative policies in robotic manipulation. These results show that discrete policies, when equipped with effective scoring mechanisms, offer an expressive, plausible, and interpretable alternative for behavior modeling. Project website: https://zhenxinli.net/LargeDiscretePolicy/.
• Abstract（参考訳）: 行動ポリシーは、しばしば連続的な生成モデルとして定式化され、反復的認知過程は表現的だが解釈が困難であり、予測不可能な行動を引き起こす傾向がある。 本研究では, 大規模離散ポリシー (LDiP) を提案する。これは, 身体的に妥当な候補の大きな語彙から行動を選択する, 完全に離散的な行動モデリングフレームワークである。 LDiPは、行動の摂動よりも、確率的反復的スコア(英語版)を通じて表現性を向上し、段階的にスコア空間の確率で候補を再スコアし、プーンし、明示的な決定プロセスを維持しながら、妥当な行動間のきめ細かいランク付けと探索を可能にする。 エンド・ツー・エンドの計画、クローズドループ運転、ロボット操作、ビジョン・ランゲージ・アクション設定を通じて、LDiPは、自律運転における強い離散的かつ連続的なベースラインを一貫して上回り、ロボット操作における連続的な生成ポリシーを上回るか、あるいは一致させる。 これらの結果は、効果的なスコアリング機構を備えた個別のポリシーが、行動モデリングの表現的で、妥当で、解釈可能な代替手段を提供することを示している。 プロジェクトWebサイト: https://zhenxinli.net/LargeDiscretePolicy/.com

関連論文リスト

• SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
  両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。 SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。 SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-07-13T02:48:03Z)
• TapSampling: Inference-Time Sampling with a Task-Progress-Understanding Verifier for Robotic Manipulation [61.35569005726248]
  既存の具体的制御研究は、トレーニングデータとモデルサイズをスケールすることで、顕著なパフォーマンス向上を示す。 拡散や自己回帰モデルのような非決定論的生成モデルは、エンボディドコントロールの分野で広く採用されている。 推測時間サンプリングのためのプラグイン・アンド・プレイフレームワークである textbfTapSampling を提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:03:31Z)
• From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
  将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。 我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-12T14:15:16Z)
• HiPolicy: Hierarchical Multi-Frequency Action Chunking for Policy Learning [17.3424491065084]
  HiPolicyは階層的な多周波数アクションチャンキングフレームワークで、異なる周波数でのアクションシーケンスを予測し、粗い高レベル計画と正確な反応性動作の両方をキャプチャする。 多様なシミュレーションベンチマークと実世界の操作タスクの実験は、HiPolicyが既存の2Dおよび3D生成ポリシーにシームレスに統合可能であることを示している。
  論文  参考訳（メタデータ） (2026-04-07T16:47:38Z)
• Primary-Fine Decoupling for Action Generation in Robotic Imitation [91.2899765310853]
  ロボット操作動作シーケンスにおけるマルチモーダル分布は、模倣学習にとって重要な課題である。 PF-DAG(プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、PF-DAG)を提案する。 PF-DAGは、Adroit、DexArt、MetaWorldベンチマークの56タスクで最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-25T08:36:45Z)
• Trace-Focused Diffusion Policy for Multi-Modal Action Disambiguation in Long-Horizon Robotic Manipulation [27.077503086179863]
  Trace-Focused Diffusion Policy (TF-DP) は、ロボットの実行履歴にアクション生成を明示的に条件付ける拡散ベースのフレームワークである。 実世界のロボット操作作業におけるTF-DPの評価を行った。
  論文  参考訳（メタデータ） (2026-02-07T06:06:43Z)
• Policy-Based Reinforcement Learning with Action Masking for Dynamic Job Shop Scheduling under Uncertainty: Handling Random Arrivals and Machine Failures [3.2880869992413246]
  本稿では、不確実性の下で動的ジョブショップスケジューリング問題を解決するための新しいフレームワークを提案する。 提案手法は,スケジュール環境を表現するためにColoured Timed Petri Netsを用いて,モデルに基づくパラダイムに従う。 我々は,動的JSSPベンチマークの実験を行い,提案手法が従来型の最小化とルールベースのアプローチを,メイスパンの観点から一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-01-14T08:53:46Z)
• Dense Policy: Bidirectional Autoregressive Learning of Actions [51.60428100831717]
  本稿では,行動予測における自己回帰的政策の新たなパラダイムを確立するために,Dense Policyと呼ばれる双方向拡張学習手法を提案する。 軽量なエンコーダのみのアーキテクチャを使用して、アクションシーケンスを初期単一フレームからターゲットシーケンスへ粗い方法で反復的に展開する。 実験により、我々の密集した政策は自己回帰学習能力に優れており、既存の全体的生成ポリシーを超越できることが示された。
  論文  参考訳（メタデータ） (2025-03-17T14:28:08Z)
• Scalable Decision-Making in Stochastic Environments through Learned Temporal Abstraction [7.918703013303246]
  我々は,高次元連続行動空間における決定を学習する上での課題に対処する潜在マクロ行動プランナー(L-MAP)を提案する。 L-MAPは状態条件ベクトル量子変分オートエンコーダ(VQ-VAE)を通して時間的に拡張されたマクロアクションの集合を学習する 連続制御タスクを含むオフラインRL設定では、L-MAPは離散潜在アクションを効率よく探索し、高い期待値が得られる。
  論文  参考訳（メタデータ） (2025-02-28T16:02:23Z)
• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• Addressing Optimism Bias in Sequence Modeling for Reinforcement Learning [5.09191791549438]
  最近の研究は、主に決定論的なオフラインAtariとD4RLベンチマークにおいて、最先端の結果を達成した。 本稿では,この楽観主義バイアスに対処する手法を提案する。 シミュレーションにおいて,様々な自律運転タスクにおいて,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-21T04:12:48Z)

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。