論文の概要: Flow-Matched Motion Priors: Online Optimal-Transport Rewards for Imitation Learning

• arxiv url: http://arxiv.org/abs/2609.15631v1
• Date: Mon, 14 Sep 2026 14:21:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.434331
• Title: Flow-Matched Motion Priors: Online Optimal-Transport Rewards for Imitation Learning
• Title（参考訳）: Flow-Matched Motion Priors:Imitation Learningのためのオンライン最適トランスポートリワード
• Abstract要約: Flow-Matched Motion Priors (FMP)は、現在のロールアウト履歴を専門のモーションバンクに接続する経路から学習する。 制御された報酬モデル実験は、値のみまたはエンドポイントのみのフィッティングよりも、フィッティングロールアウトよりもはるかに優れた一般化を示す。 FMPはデモリセットから0.727m/s、固定されたデフォルトポーズから0.338m/sで安定した前方歩行を生成する。
• 参考スコア（独自算出の注目度）: 0.6299766708197881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning a motion prior requires a reward that guides a policy from its current behavior toward demonstrated motion. Adversarial Motion Priors (AMP) provide such a reward with a discriminator. However, adversarial objectives can become uninformative when policy and expert supports are far apart. A naive use of optimal transport (OT) averages matched expert successors into a barycentric target. Averaging across gait phases can weaken the target's joint motion. We introduce Flow-Matched Motion Priors (FMP), an online scalar reward learned from paths connecting current rollout histories to an expert motion bank. Entropic OT supplies the coupling. Before each policy update, we train a neural potential with flow matching (FM) along the rollout-to-expert paths, endpoint-gradient supervision, and relative-value calibration. The actor receives only physical observations and the reward remains a scalar, as in AMP. Controlled reward-model experiments show substantially better generalization beyond the fitting rollout than value-only or endpoint-only fitting. On Unitree G1, matched 50-million-transition experiments compare FMP with AMP, a barycentric OT reward, and nested ablations under demonstration and fixed-pose initialization. FMP produces stable forward walking at 0.727 m/s from demonstration resets and 0.338 m/s from a fixed default pose. In the fixed-pose condition, it incurs 129 falls versus 243 for the endpoint-only control. Against a static score-gradient teacher, dynamic FM reduces score-increment error at interpolation fractions 0.25 and 0.50 while using 29% less offline fitting time.
• Abstract（参考訳）: 先行動作を学ぶには、現在の行動から実演動作へポリシーを導く報酬が必要である。 Adversarial Motion Priors (AMP)は、差別者に対してそのような報酬を提供する。 しかし、政策や専門家の支持が遠く離れれば、敵対的目的は非形式的になる可能性がある。 最適な輸送(OT)の簡単な使い方は、専門家の後継者をバリ中心の目標にマッチさせる。 歩行フェーズを越えた平均的な動きは、目標の関節運動を弱める。 Flow-Matched Motion Priors (FMP)は、現在のロールアウト履歴と専門のモーションバンクを結ぶ経路から学習したオンラインスカラー報酬である。 エントロピックOTはカップリングを供給する。 各ポリシー更新の前に、私たちは、フローマッチング(FM)をロールアウト・トゥ・エキスパートパス、エンドポイント・グラディエント・ディビジョン、相対値キャリブレーションに沿ってトレーニングします。 アクターは物理的な観察のみを受け取り、報酬はAMPのようにスカラーのままである。 制御された報酬モデル実験は、値のみまたはエンドポイントのみのフィッティングよりも、フィッティングロールアウトよりもはるかに優れた一般化を示す。 ユニツリーG1では、50万の遷移実験が一致し、FMPとAMPを比較した。 FMPは、デモリセットから0.727m/s、固定されたデフォルトポーズから0.338m/sで安定した前方歩行を生成する。 固定条件では、エンドポイントのみの制御では、129のフォールが243に低下する。 静的スコア勾配の教師に対して、動的FMは29%のオフライン嵌合時間を使用しながら補間分率0.25,0.50のスコア増加誤差を低減する。

関連論文リスト

• On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
  強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。 そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。 SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
  論文  参考訳（メタデータ） (2026-08-25T14:55:24Z)
• Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
  イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。 本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。 公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
  論文  参考訳（メタデータ） (2026-08-25T08:27:42Z)
• ADP: Adversarial Dynamics Priors for Physically Grounded Humanoid Locomotion [7.561096808603182]
  摂動抵抗性ヒューマノイド移動制御のためのADP(Adversarial Dynamics Priors)を提案する。 運動運動スタイルの特徴を,運動軌跡から抽出した動的特徴を対向正規化の対象とする運動運動スタイルの特徴に置き換える。 ADPは、平均回復時間と速度追跡誤差をそれぞれ47.9%と35.4%で削減し、80%のSuccessインパルス閾値(J_80$)を16.7%で改善することを示した。
  論文  参考訳（メタデータ） (2026-07-03T16:12:43Z)
• Motion-Aware Reinforcement Learning For Object Localization [0.0]
  本稿では,PPOをベースとしたバウンディングボックス改善剤であるMARLNetについて述べる。 エージェントは268次元の観測を行い、座標調整を制御する5次元ポリシーとバイナリ終端トリガを学習する。 我々は,定速度偏差ペナルティと絶対IoU項を組み合わせた報酬干渉が引き金の崩壊を引き起こすことを解析した。
  論文  参考訳（メタデータ） (2026-06-19T21:27:02Z)
• MARBLE: Multi-Aspect Reward Balance for Diffusion RL [71.6241143519038]
  強化学習は、拡散モデルと人間の嗜好を整合させる主要なアプローチとなっている。 既存のプラクティスは、報酬ごとに1つのスペシャリストモデルをトレーニングすることで、複数の報酬を処理します。 我々は,各報酬に対する独立な優位推定器を維持する勾配空間最適化フレームワークMARBLEを提案する。
  論文  参考訳（メタデータ） (2026-05-07T16:20:42Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• SOAR: Self-Correction for Optimal Alignment and Refinement in Diffusion Models [48.335262141752715]
  拡散モデルのための後トレーニングパイプラインには、キュレートされたデータに対する教師付き微調整(SFT)と報酬モデルによる強化学習(RL)の2段階がある。 本稿では,このギャップを埋めるバイアス補正ポストトレーニング法であるSOAR(Self-Correction for Optimal Alignment and Refinement)を提案する。 オンライン政治であり、報酬なしであり、クレジット割り当ての問題なく、時間ごとの密集した監督を提供する。
  論文  参考訳（メタデータ） (2026-04-14T11:45:15Z)
• DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
  拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。 最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。 我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
  論文  参考訳（メタデータ） (2024-09-05T17:59:46Z)

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。