論文の概要: Control-Geometry Straightening for Sampling-Based Latent Planning
- arxiv url: http://arxiv.org/abs/2609.35603v1
- Date: Mon, 28 Sep 2026 16:51:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 20:30:32.83748
- Title: Control-Geometry Straightening for Sampling-Based Latent Planning
- Title（参考訳）: サンプリング型潜時計画のための制御幾何学的ストレート化
- Abstract要約: 本稿では,制御幾何学を直接直列化することにより,プランナーに優しい表現を学習する単一補助的損失である制御-幾何直線化(CGS)を導入する。
CGSは、ピクセル-アクション対からの局所的な遷移のみを用いて、対応する潜在差のうちのアクション間のペアワイズコサインの類似性を一致させる。
4つのコントロール環境と複数のプランナーにまたがって、CGSはより少ないサンプル候補と改善ステップで計画を改善する。
- 参考スコア（独自算出の注目度）: 1.3218606066831913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Joint-embedding predictive architectures enable planning with latent world models, but accurate transition prediction alone does not ensure that the planning objective is easy to optimize. We introduce Control-Geometry Straightening (CGS), a single auxiliary loss that learns planner-friendly representations by directly straightening control geometry for sampling-efficient planning. CGS matches pairwise cosine similarities among actions to those among corresponding latent differences only using local transitions from pixel-action pairs. The loss can be applied across world-model architectures using end-to-end learned or pretrained representations. Under linear-dynamics, our theoretical analysis connects this objective to temporal straightening and more balanced terminal-cost curvature across the full planning horizon, yielding finite-budget guarantees for MPPI, local contraction results for CEM, and convergence bounds for gradient descent. Across four control environments and multiple planners, CGS improves planning with fewer sampled candidates and refinement steps, achieving success-rate gains up to 20 and 12.6 percentage points over LeWorldModel (LeWM) and its temporal-straightening variant (LeWM+TS), respectively, with sampling-based planners using 128 candidates per update. Probes, comparisons with DINO-WM architecture, and planner-side ablations clarify how latent motion organization, state dependence, and dynamical context shape planning behavior. Straightening control geometry thus makes good action sequences easier to find under limited planning budgets.
- Abstract（参考訳）: 共同埋め込み予測アーキテクチャは、潜在世界モデルでの計画を可能にするが、正確な遷移予測だけでは計画目標が最適化しやすいことを保証しない。
我々は,サンプリング効率の高い計画のための制御幾何を直接直列化することにより,プランナーに優しい表現を学習する単一補助的損失であるCGS(Control-Geometry Straightening)を導入する。
CGSは、ピクセル-アクション対からの局所的な遷移のみを用いて、対応する潜在差のうちのアクション間のペアワイズコサインの類似性を一致させる。
この損失は、エンド・ツー・エンドの学習あるいは事前訓練された表現を使用して、ワールド・モデル・アーキテクチャに適用することができる。
線形力学では, この目的を時間的ストレート化と, よりバランスのとれた終端コストの曲率に結びつけ, MPPIの有限予算保証, CEMの局所収縮結果, 勾配降下の収束境界を導出する。
CGSは4つの制御環境と複数のプランナーにまたがって、サンプル候補と改良段階を減らし、LeWorldModel(LeWM)の20と12.6ポイントを達成し、その時間的ストレートの変種(LeWM+TS)を1回の更新で128の候補を使用するサンプリングベースのプランナーで計画を改善している。
DINO-WMアーキテクチャとの比較、プランナー側による説明は、潜伏運動の組織、状態依存、動的コンテキスト形状の計画行動について明らかにしている。
したがって、厳密化制御幾何により、限られた計画予算下での優れたアクションシーケンスの発見が容易になる。
関連論文リスト
- Pixel-wise Planarity for High-Precision Monocular Plane Segmentation [56.92684417018378]
単一のRGB画像からの平面分割は、不正確な領域のグルーピングと幾何学的に矛盾した監督のため、依然として困難である。
本研究では,ロバストな単分子平面分割のための画素単位の平面性予測フレームワークを提案する。
提案手法は,従来の最先端手法と比較して,幾何精度とセグメンテーション品質の向上を実現する。
論文 参考訳（メタデータ） (2026-09-04T10:51:33Z) - Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。
そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。
制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
論文 参考訳（メタデータ） (2026-08-20T13:59:57Z) - Latent Geometry Beyond Search: Amortizing Planning in World Models [17.571800971505787]
学習した表現は、単に予測を有効にするのではなく、制御を単純化できることを示す。
反復計画を手軽なゴール条件逆ダイナミクスモデル(GC-IDM)に置き換える
コントローラは環境プロトコール設定8つのうち7つでCEMと一致または超過し、判定あたりのコストを100-130倍に削減する。
論文 参考訳（メタデータ） (2026-05-09T06:36:23Z) - Parallel Stochastic Gradient-Based Planning for World Models [39.699893143984916]
本稿では,学習した世界モデルの識別性を有効に活用する,堅牢で並列性の高いプランナを提案する。
本手法は,ソフトダイナミックス制約による最適化変数(仮想状態)として状態を扱い,並列かつ容易な最適化を実現する。
我々のプランナーはGRASP(GradAxed Planner)と呼ばれ、非凝縮またはコロケーションベースの最適コントローラの有効なバージョンと見なすことができる。
論文 参考訳（メタデータ） (2026-01-31T02:57:47Z) - Hierarchical Informative Path Planning via Graph Guidance and Trajectory Optimization [10.020847331719398]
エージェントがガウス過程 (GP) としてモデル化された潜伏場の測定を収集し, 対象地における不確実性を低減するため, 乱雑な環境下での移動予算を考慮した情報経路計画 (IPP) について検討する。
i) グラフに基づくグローバルプランニング, (ii) 幾何学的およびカーネル境界を用いたセグメント単位の予算配分, (iii) 厳密な制約と障害物刈取を伴う各セグメントのスプラインベース改良の3段階からなる階層的フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-23T23:27:20Z) - Closing the Train-Test Gap in World Models for Gradient-Based Planning [64.36544881136405]
本研究では,効率的な勾配計画を可能にする世界モデルの学習方法を提案する。
テスト時には,古典的勾配のないクロスエントロピー法よりも優れた手法が提案される。
論文 参考訳（メタデータ） (2025-12-10T18:59:45Z) - PLAN-TUNING: Post-Training Language Models to Learn Step-by-Step Planning for Complex Problem Solving [66.42260489147617]
大規模言語モデルから合成タスク分解を蒸留するフレームワークであるPLAN-TUNINGを紹介する。
複雑な推論を改善するために、教師付きおよび強化学習の目的を通したプランチューン細管モデル。
本分析は,計画軌道が複雑な推論能力をいかに改善するかを示す。
論文 参考訳（メタデータ） (2025-07-10T07:30:44Z) - Improving Large Language Model Planning with Action Sequence Similarity [50.52049888490524]
本研究では,インコンテキスト学習(ICL)によるモデル計画能力の向上について検討する。
GRASE-DC は2段階のパイプラインで,まず高効率のAS例を再サンプリングし,選択した例をキュレートする。
実験の結果,GRASE-DCは様々な計画タスクにおいて大幅な性能向上を実現していることがわかった。
論文 参考訳（メタデータ） (2025-05-02T05:16:17Z) - Interactive Joint Planning for Autonomous Vehicles [19.479300967537675]
対話的な運転シナリオでは、あるエージェントの行動が隣人の行動に大きな影響を及ぼす。
本稿では,MPCを学習予測モデルでブリッジする対話型共同計画(Interactive Joint Planning, IJP)を提案する。
IJPは、共同最適化やサンプリングベースの計画を実行することなく、ベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2023-10-27T17:48:25Z) - Differentiable Spatial Planning using Transformers [87.90709874369192]
本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。
エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。
SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
論文 参考訳（メタデータ） (2021-12-02T06:48:16Z)
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。