論文の概要: Approximating High Dimensional Self-Motion Manifolds via Deep Generative Models

• arxiv url: http://arxiv.org/abs/2609.18169v1
• Date: Wed, 16 Sep 2026 05:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.66271
• Title: Approximating High Dimensional Self-Motion Manifolds via Deep Generative Models
• Title（参考訳）: 深部生成モデルによる高次元自己運動多様体の近似
• Abstract要約: 自己運動多様体(Self-motion manifold, SMM)は、固定された端エフェクターポーズにおいて冗長なマニピュレータの無限逆キネマティック解集合を特徴づける。 提案手法は,最新のヌル空間継続と学習に基づくアプローチに匹敵する性能で1次元SMMを近似することができる。 位置タスクのための7Rマニピュレータにおいて、高度に冗長な4次元SMMを近似できる最初の方法である。
• 参考スコア（独自算出の注目度）: 5.493078416854176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-motion manifold (SMM) characterizes the geometric structure of the infinite inverse kinematic solutions set of a redundant manipulator at a fixed end-effector pose, and its efficient recovery underpins feasible and global optimal motion planning. Existing methods such as null-space continuation and learning-based methods are formulated around the assumption that an SMM is a curve, and do not extend to higher redundancy orders. We instead adopt a probabilistic view: SMMs are the support of the conditional posterior over configurations given a target pose, so that recovering it reduces to sampling from a learned distribution and separating its disjoint components by clustering. The formulation is independent of the manifold dimension and requires no architectural change as the redundancy order grows. In this work, we demonstrate that our method can approximate 1-D SMMs with performance comparable to the latest null-space continuation and learning-based approach, and that it is the first method capable of approximating highly redundant 4-D SMMs in a 7R manipulator for position tasks. Project website: \href{https://github.com/accuracy-maker/high-dimenstional-self-motion-manifold-approximation}{https://github.com/accuracy-maker/high-dimenstional-self-motion-manifold-approximation}
• Abstract（参考訳）: 自己運動多様体(SMM)は、固定された端効果係数のポーズにおいて冗長なマニピュレータからなる無限逆運動解の幾何学的構造を特徴付け、その効率的な回復は、実現可能かつ大域的な最適運動計画の基盤となる。 ヌル空間継続や学習に基づく手法のような既存の手法は、SMMが曲線であるという仮定に基づいて定式化され、高い冗長性順序に拡張されない。 SMMは、ターゲットポーズが与えられた条件付き後続構成をサポートするため、学習された分布からのサンプリングを削減し、クラスタリングによって解離したコンポーネントを分離する。 定式化は多様体次元とは独立であり、冗長性の順序が大きくなるにつれて構造的変化を必要としない。 本研究では,最新のヌル空間継続と学習ベースアプローチに匹敵する性能で1次元SMMを近似できることを示すとともに,7Rマニピュレータで高冗長な4次元SMMを近似できる最初の手法であることを示す。 プロジェクトウェブサイト: \href{https://github.com/accuracy-maker/high-dimenstional-self-motion-manifold-approximation}{https://github.com/accuracy-maker/high-dimenstional-self-motion-manifold-approximation}

関連論文リスト

• Sparse Gaussian-Mixture-Model Q-Functions via Hadamard Overparametrization for Online Reinforcement Learning [7.056697401102689]
  本稿では, スパースガウス混合モデルQ関数(S-GMM-QFs)に基づく強化学習(RL)のためのオンライン・オフ・ポリシー・イテレーション・フレームワークを開発する。 その結果,S-GMM-QFsはRL法よりもかなり少ないパラメータを使用でき,観察された遷移の速さで改善できることがわかった。
  論文  参考訳（メタデータ） (2026-07-26T05:58:23Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• Looped SSMs: Depth-Recurrence and Input Reshaping for Time Series Classification [50.994194925685434]
  パラメータが$k$のループSSMが$L$倍に反復され、標準SSMと一貫して一致し、性能が良くなることを示す。 また、入力再フォーマットは等しく無視された設計軸であることを示す。
  論文  参考訳（メタデータ） (2026-05-15T15:18:12Z)
• MC-RFM: Geometry-Aware Few-Shot Adaptation via Mixed-Curvature Riemannian Flow Matching [0.764671395172401]
  textscMC-RFMは、凍結した視覚バックボーンの少数ショット適応のための混合曲率フローマッチングフレームワークである。 適応は、凍結した特徴からサポートセットプロトタイプへのタスク条件付き連続輸送として定式化されている。 その結果, 混合曲率ヘッド, タスク条件付け, 適応分岐ゲーティング, プロトタイプ縮小, 識別的監督がそれぞれ性能に寄与していることが示唆された。
  論文  参考訳（メタデータ） (2026-05-08T23:36:37Z)
• Towards Adaptive Continual Model Merging via Manifold-Aware Expert Evolution [33.44708543696699]
  MADE-ITは、多様体幾何学における本質的な専門家表現を基礎にして、専門家の管理と活性化をオーケストレーションする。 実験により、MADE-ITは、長い水平およびシャッフルされたタスクシーケンスの精度と堅牢性において、強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-04-24T11:35:53Z)
• Merging Beyond: Streaming LLM Updates via Activation-Guided Rotations [55.047454145941366]
  Streaming Mergingは、反復最適化プロセスとしてマージを概念化する革新的なモデル更新パラダイムである。 ARMは勾配勾配勾配のダイナミクスを近似するために設計された戦略である。 ARMは初期のSFTチェックポイントしか必要とせず、反復的なマージによって完全に収束したSFTモデルを上回る。
  論文  参考訳（メタデータ） (2026-02-03T08:15:57Z)
• Inverting Self-Organizing Maps: A Unified Activation-Based Framework [39.146761527401424]
  我々は,SOMの活性化パターンを逆転させて,微妙な幾何学的条件下での正確な入力を復元できることを示す。 我々は,MUSIC (Manifold-Aware Unified SOM Inversion and Control) 更新ルールを導入する。 合成ガウス混合系, MNIST と Faces in the Wild を用いたアプローチを検証した。
  論文  参考訳（メタデータ） (2026-01-20T11:02:54Z)
• Train with Perturbation, Infer after Merging: A Two-Stage Framework for Continual Learning [57.514786046966265]
  textbfPerturb-and-Merge(P&M)は,モデルマージをCLパラダイムに統合し,忘れを緩和する新しい連続学習フレームワークである。 提案手法は,複数の連続学習ベンチマークデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-28T14:14:19Z)
• DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking [50.038098341549095]
  状態推定は、高い操作性を持つ3次元物体追跡において困難である。 本稿では,各方向の異なる動きモデルから推定される推定を効果的に組み合わせる新しいフレームワークであるDIMMを提案する。 DIMMは既存の状態推定手法のトラッキング精度を31.61%99.23%向上させる。
  論文  参考訳（メタデータ） (2025-05-18T10:12:41Z)
• Reinforced Model Merging [53.84354455400038]
  本稿では,タスク統合に適した環境とエージェントを含むRMM(Reinforced Model Merging)という,革新的なフレームワークを提案する。 評価プロセス中にデータサブセットを利用することで、報酬フィードバックフェーズのボトルネックに対処し、RMMを最大100倍高速化する。
  論文  参考訳（メタデータ） (2025-03-27T08:52:41Z)

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。