論文の概要: Training-Free Diffusion Planning with Analytical Local Scores

• arxiv url: http://arxiv.org/abs/2610.01959v1
• Date: Thu, 01 Oct 2026 16:15:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.268781
• Title: Training-Free Diffusion Planning with Analytical Local Scores
• Title（参考訳）: 分析的局所スコアを用いた学習自由拡散計画
• Abstract要約: 経路探索とマルチロボット運動計画には、スムーズで、ゴール指向で、衝突のない軌道が必要である。 近年の拡散型プランナーは、軌道生成を反復的認知として行うことができることを示した。 本稿では,学習したグローバルな軌跡を解析的局所的なスコアに置き換える,学習自由拡散に基づく運動プランナを提案する。
• 参考スコア（独自算出の注目度）: 46.73687225221443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Path finding and multi-robot motion planning require trajectories that are smooth, goal-directed, and collision-free in environments with complex geometric constraints. Recent diffusion-based planners have shown that trajectory generation can be cast as iterative denoising which has opened the doors to learning-based approaches that can handle multi-modal trajectory distributions and refine entire trajectories. However, a key limitation is that diffusion planners require training on large collections of feasible trajectories, rendering them map-specific, and difficult to deploy when high-quality demonstrations are unavailable. This paper introduces a training-free diffusion-based motion planner that replaces learned global trajectory scores with analytical local scores derived from obstacle, smoothness, velocity, and inter-agent feasibility terms. The proposed idea relies on a key observation: the score of a trajectory can be reconstructed by considering only local interactions between neighboring waypoints and nearby constraints. This structure exploitation yields a decomposed denoising procedure that retains the optimization structure of classical trajectory methods while inheriting the iterative refinement behavior of diffusion models. Experiments on a large collection of complex environments and large multi-agent planning tasks show that the proposed analytical score produces smooth and feasible trajectories within limited computational costs, for example in generating feasible paths for 300+ agents in environments containing 100+ obstacles in under 6 seconds on a GPU, outperforming strong learning-based and optimization baselines, while avoiding the data requirements of learned diffusion planners.
• Abstract（参考訳）: 経路探索とマルチロボット運動計画には、複雑な幾何学的制約のある環境において、滑らかでゴール指向的で衝突のない軌道が必要である。 近年の拡散型プランナでは, トラジェクトリ生成は, 多モーダルなトラジェクトリ分布を処理し, トラジェクトリ全体を洗練する学習ベースアプローチへの扉を開いた反復的デノゲーションとして利用することができる。 しかしながら、拡散プランナーは、実現可能な軌道の大規模なコレクションの訓練を必要とし、それらをマップ固有のものにし、高品質なデモが利用できない場合にデプロイすることが困難である。 本稿では,学習したグローバルな軌跡のスコアを,障害物,滑らかさ,速度,エージェント間の実現可能性条件から得られる分析的局所スコアに置き換える,学習自由拡散に基づく運動プランナを提案する。 軌道のスコアは、近隣の経路点と近くの制約の間の局所的な相互作用のみを考慮することで再構成することができる。 この構造利用は、拡散モデルの反復的洗練挙動を継承しつつ、古典的軌跡法の最適化構造を保持する分解過程をもたらす。 例えば、GPU上の100以上の障害物を含む環境において、300以上のエージェントを6秒未満で生成し、学習した拡散プランナーのデータ要求を回避しつつ、学習ベースと最適化ベースラインを向上する。

関連論文リスト

• Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance [0.0]
  軌道計画はロボット工学の基本的な問題であり、潜在的に複雑な環境で衝突のない効率的な軌道を生成する必要がある。 サンプリングベースのプランナーは依然として主要なアプローチであるが、特に高次元空間や障害物の多い環境では計算コストがかかることが多い。 モデル学習に基づく手法は、有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2026-07-22T21:47:56Z)
• Model-Based Diffusion Optimal Control for Multi-Robot Motion Planning [5.5818653283217055]
  連続環境におけるマルチロボット運動計画は、関節軌道空間の成長と動的実現性やハードセーフティ制約の実施の難しさにより困難である。 近年の研究では,実験データからスコア関数を学習した拡散モデルを用いて,軌道後部からの軌道計画を確率的推論として再検討している。 モデルベース拡散最適制御(MDOC)は,データに頼らずに動的に実現可能な軌道を効率的に生成するモデルベース拡散プランナである。
  論文  参考訳（メタデータ） (2026-07-14T06:54:03Z)
• Amortizing Trajectory Diffusion with Keyed Drift Fields [2.5352713493505785]
  キード・ドリフト・ポリシーズ (Keyed Drifting Policies) は、ドリフトフィールドの目標で訓練された1ステップの軌道生成装置である。 生成されたトラジェクトリを条件マッチングされたデータセットウィンドウに反映する。 1ステップの推論で高い性能を達成し、拡散サンプリングよりも計画遅延を大幅に低減する。
  論文  参考訳（メタデータ） (2026-03-14T17:56:15Z)
• Multi-Agent Formation Navigation Using Diffusion-Based Trajectory Generation [0.0]
  本稿では, 散在環境におけるリーダ・フォロワ生成制御のための拡散型プランナを提案する。 提案手法はスムーズな動きと低追尾誤差を生じ、ほとんどの障害は狭い障害物のない空間で発生している。
  論文  参考訳（メタデータ） (2025-12-24T04:36:28Z)
• CAPE: Context-Aware Diffusion Policy Via Proximal Mode Expansion for Collision Avoidance [15.311155448797386]
  近位モード拡張(CAPE)による文脈対応拡散政策 CAPEは、文脈認識の事前と推論時のガイダンスで軌道分布モードを拡張する。 本研究では,多様な操作タスクに対するCAPEの評価を行った。
  論文  参考訳（メタデータ） (2025-11-27T21:53:09Z)
• 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)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
  我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。 我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
  論文  参考訳（メタデータ） (2022-05-20T07:02:03Z)

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。