論文の概要: SmellDiffusion: Diffusion-Based Quadruped Navigation with Olfactory Scene Graphs
- arxiv url: http://arxiv.org/abs/2609.20624v2
- Date: Fri, 18 Sep 2026 12:11:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.72369
- Title: SmellDiffusion: Diffusion-Based Quadruped Navigation with Olfactory Scene Graphs
- Title（参考訳）: SmellDiffusion:嗅覚図を用いた拡散に基づく四足歩行ナビゲーション
- Abstract要約: SmellDiffusionは、オープンボキャブラリ嗅覚シーングラフで種固有のガスゾーンを表すシミュレーションパイプラインである。
その鍵となる構成要素は、選択的なソース補正と拡散に基づくガス誘導軌道生成のためのピーク局所幾何学ゲートである。
- 参考スコア（独自算出の注目度）: 1.7511853008573073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A robot sent to a named gas leak must preserve gas identity, estimate the source, and navigate to the resulting goal. We present SmellDiffusion, a simulation pipeline that represents species-specific gas zones in an open-vocabulary olfactory scene graph and shares the selected goal between classical and diffusion planners. Its key components are a peak-local geometric gate for selective source correction and diffusion-based, gas-guided trajectory generation. Among 424 unique source-wind configurations in solved flow, 28 have a concentration peak displaced more than 0.5m from the source. A source-independent geometric gate, calibrated only on the training split and evaluated at the observed peak, detects 9 of 10 held-out displacements at 0.64 precision. Gating a precomputed forward-matching correction reduces mean error on the displaced cases from 1.468m to 0.592m (60%), using matching for only 14/204 cases. All-case mean error falls from 0.205m to 0.180m. All planners receive the same scene-graph source estimate as their goal. In a controlled comparison, best-of-ten diffusion achieves mean gas exposure comparable to gas-guided A* (0.0476 versus 0.0455). A single diffusion proposal takes 41.7ms, compared with 72.3ms for gas-guided A*, although best-of-ten sequential sampling increases total runtime. Plain A* also reaches the same goal and remains the fastest and shortest-path method. Six matched Gazebo runs give mean robot-to-source errors of 0.39m for A* and 0.31m for diffusion.
- Abstract（参考訳）: 名前のついたガス漏れに送られたロボットは、ガスのアイデンティティを保存し、ソースを推定し、その結果の目標にナビゲートしなければならない。
SmellDiffusionは、オープン語彙嗅覚シーングラフで種別ガスゾーンを表現し、古典的および拡散的プランナーの選択目標を共有するシミュレーションパイプラインである。
その鍵となる構成要素は、選択的なソース補正と拡散に基づくガス誘導軌道生成のためのピーク局所幾何学ゲートである。
解流中の424個のソースウインド構成のうち、28はソースから0.5m以上ずれた濃度ピークを有する。
ソース非依存の幾何学ゲートは、トレーニング分割のみを校正し、観測ピークで評価され、0.64精度で10のホールドアウト変位の9つを検出する。
事前計算した前方整合補正は,14/204例のみのマッチングを用いて,転位した症例の平均誤差を1.468mから0.592m(60%)に低減させる。
全ケース平均誤差は0.205mから0.180mに低下する。
すべてのプランナーは、目標と同じシーングラフソースの見積を受け取ります。
制御された比較では、ベスト・オブ・テン拡散は気体誘導A*(0.0476対0.0455)に匹敵する平均ガス露光を達成する。
ガス誘導型A*の72.3msと比較すると、単一の拡散提案は41.7msである。
プレーンA*も同じ目標に達し、最速かつ最短パスの方法のままである。
一致する6つのガゼボランは、A*が0.39m、拡散が0.31mという平均的なロボット間誤差を与える。
関連論文リスト
- Diffusion models for eye-gaze trajectory generation using position and velocity representations [39.577682622066256]
アイトラッキングデータは収集に費用がかかり、特別なハードウェアと制御された実験室条件が必要であり、プライバシー上の制約のために共有が困難である。
本研究では2つの相補的拡散確率モデル(DDPM)を用いて、視覚探索データから視線力学を無条件に生成する。
論文 参考訳（メタデータ） (2026-09-01T07:53:11Z) - Drift Calibration in Geometric Eye Tracking Systems [34.12106856838315]
12人の被験者から163回の臨床試験を含む校正中心のデータセットを提示した。
共通空間外挿プロトコルを用いて,グローバル,ローカル,複合的な補正関数の評価を行う。
論文 参考訳（メタデータ） (2026-08-30T12:05:44Z) - Deterministic LLM Inference Across GPU Kernels: Power-of-Two INT8 Quantization Scales and the Limits of Tolerance-Based Conformance [0.10152838128195468]
量子化されたGEMMカーネルのコンフォーマンススイートは、2つの実装が許容範囲内で一致するかどうかを問う。
5つのエピローグ断層(スケール精度、ダブルラウンド、乗算順序、出力トランケーション、融合順序)のうちの1つが、少なくとも1つのbfloat16間隔で出力を移動していることがわかった。
5つの断層のうち4つはスイートのチェック無しで検出され、5番目は2つのスケールでのみ検出される。
論文 参考訳（メタデータ） (2026-08-25T03:05:54Z) - Learned, Then Lost: A Measured Single-Example Counterfactual in Pre-training [0.0]
OpenWebTextのスクラッチから124Mパラメータで32 GPT-2モデルをトレーニングします。
256-rowバッチの1行を194-tokenパスを持つ固定コンテキストインジェクションに置き換える。
論文 参考訳（メタデータ） (2026-08-19T17:46:08Z) - YOLO26-RD: An End-to-End Road Damage Detection Network With Learnable Contrast Enhancement and Edge-Guided Downsampling [2.274915755738124]
本稿では、ストライド4レベルが75.3%のアンカーを主張し、ローカライゼーションエラーよりも完全なミスがベースライン障害を支配しているという前提を検証する。
レシピの1つ、YOLO26-RD、YOLO26-RD、YOLO26-RD、YOLOv12ファミリーの5つの尺度で、スクラッチから15のモデルを訓練した。
YOLO26-RD-l は 0.809 mAP50 と 0.497 mAP50-95 の15の最高値であり、YOLO26 の参照を 0.031 と 0.030 で改善し、クラスごとに6つのエントリをリードする。
論文 参考訳（メタデータ） (2026-08-16T12:36:12Z) - Geometric Evolution Maps: Extracting Stable Concept Probes from Transformer Residual Streams [0.0]
391 の概念 x モデル対のアブレーション実験により、GEM 抽出プローブは少なくともピーク層プローブと同程度正確であることが示されている。
方向特異性制御は、アブレーション効果が概念指向性であることを確認する。
論文 参考訳（メタデータ） (2026-05-25T13:40:15Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Metropolis-Adjusted Diffusion Models [39.6979566317926]
スコアベース拡散モデルからのサンプリングは、時間離散化とスコア関数の近似によるバイアスを引き起こす。
拡散モデルにおけるLangevin補正の正確な補正法を, 2つの係数のBernoulliファクトリアルゴリズムに基づいて提案する。
論文 参考訳（メタデータ） (2026-05-10T16:57:51Z) - Variance Is Not Importance: Structural Analysis of Transformer Compressibility Across Model Scales [0.0]
スペクトル圧縮,ブロックレベル関数置換,回転ベース量子化,アクティベーション幾何,適応早期出口について検討した。
圧縮に関連する5つの構造特性を同定する。
論文 参考訳（メタデータ） (2026-04-22T15:31:46Z) - Adaptive Spectral Feature Forecasting for Diffusion Sampling Acceleration [58.19554276924402]
スペクトル拡散特徴予測器(Spectrum)を提案する。
我々はFLUX.1で4.79$times$スピードアップ、Wan2.1-14Bで4.67$times$スピードアップを達成する。
論文 参考訳（メタデータ） (2026-03-02T08:59:11Z) - Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。
Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
論文 参考訳（メタデータ） (2026-02-12T18:58:12Z)
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。