論文の概要: Trajectory-Level Mode Guidance for Controllable Diffusion-Based Multi-Robot Motion Planning
- arxiv url: http://arxiv.org/abs/2609.36530v1
- Date: Tue, 29 Sep 2026 02:22:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.115629
- Title: Trajectory-Level Mode Guidance for Controllable Diffusion-Based Multi-Robot Motion Planning
- Title（参考訳）: 制御可能な拡散型多足歩行計画のための軌道レベルモード誘導
- Abstract要約: 運動計画はしばしば複数の実現可能な解を認め、マルチモーダル生成を価値あるものにしている。
本稿では、クリーンな軌道空間における軌道生成をガイドし、時間に依存した誘導強度で軌道先行を組み込む。
単ボットおよび複数ロボット計画タスクの実験では、制御可能な軌道合成、多様な実現可能な解、安全なマルチエージェント調整が示されている。
- 参考スコア（独自算出の注目度）: 7.806754978457764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion planning often admits multiple feasible solutions, making multimodal generation valuable, particularly for flexible multi-robot coordination. Diffusion models naturally learn such trajectory distributions, yet incorporating coarse and partial trajectory priors without restricting generation remains challenging. Such priors indicate a desirable region of the solution space rather than a single solution, motivating conditioned generation that preserves multimodality. In this paper, we guide trajectory generation in the clean trajectory space and progressively incorporate trajectory priors with a timestep-dependent guidance strength. At each reverse diffusion step, the reconstructed clean trajectory provides a unified space for integrating planning costs and partial trajectory priors. Planning costs are incorporated through gradient-based refinement, while the partial prior is progressively injected at the corresponding noise levels with decreasing guidance strength. This guides generation toward the prior in early stages while gradually releasing the constraint to preserve the inherent multimodality of the diffusion model. The framework naturally extends to multi-robot planning by incorporating inter-robot collision costs. Experiments on single- and multi-robot planning tasks demonstrate controllable trajectory synthesis, diverse feasible solutions, and safe multi-agent coordination.
- Abstract（参考訳）: モーションプランニングはしばしば複数の実現可能なソリューションを認め、特に柔軟なマルチロボット調整のために、マルチモーダル生成を価値あるものにしている。
拡散モデルは自然にそのような軌跡分布を学習するが、生成を制限することなく粗い軌跡と部分的な軌跡を組み込むことは困難である。
このような先行は、単一解ではなく解空間の望ましい領域を示し、多様性を保存する条件付き生成を動機付けている。
本稿では、クリーンな軌道空間における軌道生成をガイドし、段階依存の誘導強度で軌道先行を段階的に組み込む。
各逆拡散ステップにおいて、再構成されたクリーン軌道は、計画コストと部分軌道事前を統合するための統一された空間を提供する。
計画コストは、勾配に基づく改善によって取り入れられ、部分的な事前は、誘導強度を低下させながら、対応する騒音レベルに徐々に注入される。
このことは、拡散モデルの本質的な多様性を維持するために、徐々に制約を解放しながら、早期に生成を先導する。
このフレームワークは、ロボット間の衝突コストを組み込むことで、自然にマルチロボット計画に拡張する。
単一ロボットと複数ロボットの計画タスクの実験は、制御可能な軌道合成、多様な実現可能な解、安全なマルチエージェント調整を実証している。
関連論文リスト
- Coordinated Motion Planning for Multi-Arm Systems via Iterative LQ Games [21.845592692945047]
本稿では,多マニピュレータ動作計画のための反復線形擬似ゲームフレームワークを提案する。
我々のフレームワークは、スムーズで安全で効率的な軌道を高次元設定で生成し、従来の手法より優れている。
論文 参考訳（メタデータ） (2026-08-27T21:33:38Z) - Connectivity-Aware Representations for Constrained Motion Planning via Multi-Scale Contrastive Learning [6.0393663164774125]
制約された動き計画の目的は、タスク固有の制約を満たしながら開始とゴールの設定を接続することである。
本稿では,これらの課題に対して,計画前に開始と目標の設定を選択するための接続性を考慮した表現を学習することによって解決する。
論文 参考訳（メタデータ） (2026-03-26T10:44:21Z) - Transition Models: Rethinking the Generative Learning Objective [68.16330673177207]
有限時間間隔で状態遷移を解析的に定義する連続時間力学方程式を導入する。
これは、任意のステップ遷移に適応する新しい生成パラダイムである遷移モデル(TiM)をもたらす。
TiMは最先端のパフォーマンスを達成し、SD3.5 (8Bパラメータ)やFLUX.1 (12Bパラメータ)といった主要なモデルを超える。
論文 参考訳（メタデータ） (2025-09-04T17:05:59Z) - Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。
離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。
本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
論文 参考訳（メタデータ） (2025-08-27T17:59:36Z) - TransDiffuser: Diverse Trajectory Generation with Decorrelated Multi-modal Representation for End-to-end Autonomous Driving [20.679370777762987]
エンコーダデコーダに基づく生成軌道計画モデルであるTransDiffuserを提案する。
単純なマルチモーダル表現デコレーションのデノナイジング過程におけるデコレーション最適化機構を利用する。
TransDiffuserは、クローズドループ計画指向ベンチマークNAVSIMで94.85のPDMSを達成する。
論文 参考訳（メタデータ） (2025-05-14T12:10:41Z) - Extendable Long-Horizon Planning via Hierarchical Multiscale Diffusion [62.91968752955649]
本稿では,学習データよりも長い軌道計画を行うための,拡張可能な長期計画支援エージェントの課題に対処する。
より短いものを縫い合わせることで、より長い軌跡を反復的に生成する拡張法を提案する。
HM-ディフューザーは階層構造を用いてこれらの拡張軌道を訓練し、複数の時間スケールにわたるタスクを効率的に処理する。
論文 参考訳（メタデータ） (2025-03-25T22:52:46Z) - Predictive Planner for Autonomous Driving with Consistency Models [5.966385886363771]
軌道予測と計画は、自動運転車が動的環境下で安全かつ効率的に走行するために不可欠である。
近年の拡散型生成モデルはマルチエージェント軌道生成において有望であるが,その遅いサンプリングは高周波計画タスクには適さない。
我々は,エゴ車両の航法目標に基づいて,エゴと周辺エージェントの共同分布からサンプルを採取する予測プランナを構築するために,一貫性モデルを活用する。
論文 参考訳（メタデータ） (2025-02-12T00:26:01Z) - Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。
本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
論文 参考訳（メタデータ） (2025-02-05T20:51:28Z) - Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。
連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-23T21:27:19Z)
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。