論文の概要: Think Fast, Plan Selectively: Adaptive Deliberation for Efficient Data-Driven MPC

• arxiv url: http://arxiv.org/abs/2609.32591v2
• Date: Wed, 30 Sep 2026 02:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:25.774056
• Title: Think Fast, Plan Selectively: Adaptive Deliberation for Efficient Data-Driven MPC
• Title（参考訳）: 効率的なデータ駆動型MPCのための適応的検討
• Abstract要約: 本稿では,高速なポリシー実行とテスト時間計画の間を適応的にルーティングする軽量フレームワークであるFast-TD-MPCを提案する。 Fast-TD-MPCは103の継続的制御タスクにまたがって、最大4倍高速な推論を実現する。
• 参考スコア（独自算出の注目度）: 0.3058685580689604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven model predictive control (MPC) combines learned world models with online trajectory optimization, achieving strong performance in continuous control. However, the per-step cost of sampling and evaluating hundreds of candidate trajectories restricts deployment to control frequencies well below what real-time robotics demands. Motivated by the dual-process theory of human cognition, which distinguishes between fast, intuitive processing (System 1) and slower, deliberative reasoning (System 2), we ask whether every decision requires the same degree of computational deliberation. We propose Fast-TD-MPC, a lightweight framework that adaptively routes between fast policy execution and test-time planning, reserving costly deliberation for states where it is most needed. Fast-TD-MPC delivers competitive task performance across 103 continuous control tasks while achieving up to ~4x faster inference. Under external disturbances, Fast-TD-MPC selectively falls back to planning, maintaining robustness comparable to the original planner.
• Abstract（参考訳）: データ駆動モデル予測制御(MPC)は、学習された世界モデルとオンライン軌道最適化を組み合わせることで、継続的な制御において高いパフォーマンスを達成する。 しかし、数百の候補軌道のサンプリングと評価のステップ当たりのコストは、リアルタイムロボット工学が要求するよりもはるかに少ない周波数を制御するためのデプロイメントを制限する。 素早い直感的処理(システム1)と遅い,熟考的推論(システム2)を区別する,人間の認知の二重プロセス理論に動機付けられ,全ての決定が同じ程度の計算熟考を必要とするかどうかを問う。 本稿では,高速なポリシー実行とテスト時間計画の間を適応的にルーティングする軽量なフレームワークであるFast-TD-MPCを提案する。 Fast-TD-MPCは103の継続的制御タスクにまたがって、最大4倍高速な推論を実現する。 外乱下では、Fast-TD-MPCは計画に選択的に回帰し、元のプランナーに匹敵する堅牢性を維持する。

関連論文リスト

• Dual Process Motion Planning [53.570848178455776]
  頑健な推論と学習の強みを組み合わせたデュアルプロセスアーキテクチャを導入する。 我々のフレームワークは、経験駆動型System-1'モジュールでSystem-2'コンポーネントとして最先端のシンボルソルバを統合している。
  論文  参考訳（メタデータ） (2026-09-01T13:52:12Z)
• Deep Reinforcement Learning-Enhanced Event-Triggered Data-Driven Predictive Control for a 3D Cable-Driven Soft Robotic Arm [15.863274172058759]
  ソフトロボット制御のための適応型強化学習に基づくイベントトリガー型DeePCフレームワークを提案する。 RL-ET-DeePCは周期的なDeePCと比較して最適化周波数を最大66%削減する。 三次元ケーブル駆動型ソフトロボットアームのハードウェア実験は、ゼロショット転送を実証している。
  論文  参考訳（メタデータ） (2026-06-24T17:26:18Z)
• Bridging Large-Model Reasoning and Real-Time Control via Agentic Fast-Slow Planning [42.15812524999639]
  Agentic Fast-Slow Planning(エージェント・ファスト・スロー・プランニング)は、知覚、推論、計画、そして自然の時間スケールをまたいだ制御を分離する階層的なフレームワークである。 エージェント高速スロープランニングは摂動下での堅牢性を向上し、純粋なMPCおよびA*誘導MPCベースラインと比較して、横方向偏差を最大45%減らし、完了時間を12%以上短縮することを示した。
  論文  参考訳（メタデータ） (2026-04-02T06:34:29Z)
• Implicit Maximum Likelihood Estimation for Real-time Generative Model Predictive Control [5.692340907039085]
  Implicit Maximum Likelihood Estimation (IMLE) は、計画のための新たな生成モデリング手法である。 本結果は,IMLEが標準オフライン強化学習ベンチマーク上での競合性能を実証するものである。 我々はまた、IMLEをクローズドループの人間ナビゲーションシナリオで検証し、高速かつ適応的な計画生成を可能にする方法を示す。
  論文  参考訳（メタデータ） (2026-03-14T03:39:31Z)
• Robust Spatiotemporal Motion Planning for Multi-Agent Autonomous Racing via Topological Gap Identification and Accelerated MPC [30.927534234540502]
  現在の方法は、しばしば厳密なキネマティック制約を単純化または放棄する。 トポロジカル同定と高速化のためのMPCフレームワークを提案する。 連続的なシナリオでは、総操縦時間を51.6%削減する。 密集したボトルネックで81%を超える成功率を維持している。
  論文  参考訳（メタデータ） (2026-03-10T04:55:30Z)
• CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
  本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。 提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2025-08-15T07:49:22Z)
• Pangu Embedded: An Efficient Dual-system LLM Reasoner with Metacognition [95.54406667705999]
  Pangu Embeddedは、Ascend Neural Processing Units (NPU) 上で開発された効率的なLarge Language Model (LLM) 推論器である。 既存の推論最適化 LLM でよく見られる計算コストと推論遅延の問題に対処する。 単一の統一モデルアーキテクチャ内で、迅速な応答と最先端の推論品質を提供する。
  論文  参考訳（メタデータ） (2025-05-28T14:03:02Z)
• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• Policy Search for Model Predictive Control with Application to Agile Drone Flight [56.24908013905407]
  MPCのためのポリシ・フォー・モデル・予測制御フレームワークを提案する。 具体的には、パラメータ化コントローラとしてMPCを定式化し、パラメータ化の難しい決定変数を高レベルポリシーとして表現する。 シミュレーションと実環境の両方において,我々の制御器が堅牢かつリアルタイムに制御性能を発揮することを示す実験を行った。
  論文  参考訳（メタデータ） (2021-12-07T17:39:24Z)

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。