論文の概要: Safe Streaming Flow Planning by Aligning Sampling Dynamics with Execution Dynamics
- arxiv url: http://arxiv.org/abs/2610.03132v1
- Date: Fri, 02 Oct 2026 10:52:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.337682
- Title: Safe Streaming Flow Planning by Aligning Sampling Dynamics with Execution Dynamics
- Title（参考訳）: 実行ダイナミクスによるサンプリングダイナミクスの調整による安全なストリーミングフロー計画
- Abstract要約: 我々は,フローサンプリングのダイナミックスと実行のダイナミックスを整合させる,ゴール条件のプランナであるSafeStreamingFlowを提案する。
ナビゲーション、レース、ロコモーションベンチマークを通じて、SafeStreamingFlowは計画の遅延を減らし、安全性を向上する。
- 参考スコア（独自算出の注目度）: 1.6449390849183356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative planners based on diffusion/flow matching can learn to synthesize long-horizon trajectories from demonstrations. However, real-world deployment requires (i) enforcing safety constraints during execution and (ii) tight online replanning at fast execution rates. Prior safe diffusion/flow planners generate the agent's full trajectory at once, while repeatedly perturbing intermediate states to satisfy safety constraints. This approach is not only computationally intensive, but also introduces distribution shift since the learned sampling dynamics is distinct from the system's execution dynamics. We propose SafeStreamingFlow, a goal-conditioned planner that aligns flow sampling dynamics with execution dynamics by sequentially integrating a learned state vector field with hierarchical state prediction. Importantly, we need to enforce safety constraints only for the executed step via high order control barrier functions. Across navigation, racing, and locomotion benchmarks, SafeStreamingFlow reduces planning latency and improves safety compared to existing methods, while maintaining competitive goal-reaching success.
- Abstract（参考訳）: 拡散/フローマッチングに基づく生成プランナーは、デモから長い水平軌道を合成することを学ぶことができる。
しかし、現実世界のデプロイメントは必要です。
一 執行中の安全上の制約を課すこと。
(ii)高速実行率での厳格なオンラインリプランニング。
事前の安全な拡散流プランナーはエージェントの完全な軌道を一度に生成し、安全制約を満たすために中間状態を繰り返し摂動する。
このアプローチは、計算集約的なだけでなく、学習されたサンプリングダイナミクスがシステムの実行ダイナミクスと異なるため、分散シフトも導入する。
本研究では,学習状態ベクトル場と階層的状態予測を逐次統合することにより,フローサンプリングダイナミックスと実行ダイナミックスを整合させる,ゴール条件付きプランナであるSafeStreamingFlowを提案する。
重要なことは、高次制御バリア機能によって実行されるステップのみに安全制約を強制する必要がある。
ナビゲーション、レース、ロコモーションベンチマーク全体を通じて、SafeStreamingFlowは計画の遅延を減らし、既存の方法と比較して安全性を向上させると同時に、競争上の目標達成の成功を維持する。
関連論文リスト
- Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance [49.35246226163005]
本稿では、予測リスクブレンド制御バリア機能(ARB-CBF)を統合することにより、動的環境における安全クリティカルなナビゲーションに反復学習計画(ILP)を拡張する。
総合的なシミュレーションと実世界の実験により、最適化ベースのベースラインに比べて計算オーバーヘッドが低く、時間効率と安全性が優れていることが証明された。
論文 参考訳（メタデータ） (2026-09-17T14:12:36Z) - Fetch My Beer: Synthetic-to-real Hierarchical Policy for Smooth Pick-and-place [54.561625475942584]
本研究では, 液体充填容器の安定輸送について検討し, ロボットが物体を目標場所へ移動させながら, スロッシングを抑え, こぼれを防止する方法を検討した。
このタスクは運動の滑らかさと軌道レベルの安定性に厳格な要件を課し、既存のシステムの明確な制限を明らかにする。
物理的に検証されたデータ生成と階層的拡散型コントローラを結合した合成から現実のフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-16T04:55:12Z) - RiskFlow: Fast and Faithful Safety-Critical Traffic Scenario Generation [17.00557757061364]
RiskFlowはクローズドループ安全クリティカルなマルチエージェントトラフィック生成フレームワークである。
将来の軌道生成を作用空間の輸送として定式化する。
競争力のある安全クリティカルな生成能力を維持しながら、リアリズムを継続的に改善する。
論文 参考訳（メタデータ） (2026-06-04T17:28:42Z) - HDFlow: Hierarchical Diffusion-Flow Planning for Long-horizon Tasks [11.988273046923782]
階層的拡散フロー(HDFlow)は,新しい階層的計画フレームワークである。
HDFlowは拡散と整流モデルの強みを最適に活用し、単一パラダイム生成プランナの限界を克服する。
シミュレーションと実世界の4つの困難な家具組立作業におけるHDFlowの評価を行った。
論文 参考訳（メタデータ） (2026-05-06T06:08:51Z) - HiFlow: Tokenization-Free Scale-Wise Autoregressive Policy Learning via Flow Matching [11.405254375363818]
階層フロー政策(Hierarchical Flow Policy)は、トークン化のない粗大な自己回帰政策である。
HiFlowは、単純な時間プーリングを通じて、各アクションチャンクからマルチスケールの連続的なアクションターゲットを構築する。
MimicGen、RoboTwin 2.0、および実環境の実験は、HiFlowが既存のメソッドを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-03-28T14:22:58Z) - DynFlowDrive: Flow-Based Dynamic World Modeling for Autonomous Driving [67.83404465171257]
DynFlowDriveは、異なる運転行動の下で世界状態の遷移をモデル化する潜在世界モデルである。
異なる駆動動作の下でシーン状態がどのように変化するかを記述した速度場を学習する。
これに基づいて,安定性を考慮した多モード軌道選択戦略を導入する。
論文 参考訳（メタデータ） (2026-03-20T06:19:31Z) - CoLA-Flow Policy: Temporally Coherent Imitation Learning via Continuous Latent Action Flow Matching for Robotic Manipulation [4.726851899243877]
LG-Flow Policyは、連続的な潜在アクション空間でフローマッチングを実行する軌道レベルの模倣学習フレームワークである。
動作シーケンスを時間的に規則化された潜在軌道に符号化し、明示的な潜在空間の流れを学習することにより、提案手法は低レベル制御ノイズからグローバルな運動構造を分離する。
論文 参考訳（メタデータ） (2026-01-30T15:36:43Z) - SAD-Flower: Flow Matching for Safe, Admissible, and Dynamically Consistent Planning [15.313118244760895]
フローマッチング(FM)は、データ駆動計画において有望な結果を示している。
FMプランナは動的一貫性を保証しないため、トラジェクトリを実行不能にする可能性がある。
安全, 許容, 動的に一貫した軌道を生成する新しいフレームワークであるSAD-Flowerを提案する。
論文 参考訳（メタデータ） (2025-11-07T15:46:44Z) - Iterative Refinement of Flow Policies in Probability Space for Online Reinforcement Learning [56.47948583452555]
固定ステップのEulerスキームによるフローマッチング推論プロセスの離散化は,最適輸送から変化するJordan-Kinderlehrer-Otto原理と整合する,というキーインサイトに基づいて,SWFP(Stepwise Flow Policy)フレームワークを紹介した。
SWFPは、大域的な流れを、プロキシメート分布間の小さな漸進的な変換の列に分解する。
この分解は、小さな流れブロックのカスケードを介して事前訓練された流れを微調整する効率的なアルゴリズムを導き、大きな利点をもたらす。
論文 参考訳（メタデータ） (2025-10-17T07:43:51Z) - FlowDrive: Energy Flow Field for End-to-End Autonomous Driving [50.89871153094958]
FlowDriveは、物理的に解釈可能なエネルギーベースのフローフィールドを導入し、セマンティックな前提と安全性をBEV空間にエンコードする新しいフレームワークである。
NAVSIM v2ベンチマークの実験では、FlowDriveが最先端のパフォーマンスを86.3で達成し、安全性と計画品質の両方において以前のベースラインを超えたことが示されている。
論文 参考訳（メタデータ） (2025-09-17T13:51:33Z) - D$^3$FlowSLAM: Self-Supervised Dynamic SLAM with Flow Motion Decomposition and DINO Guidance [61.14088096348959]
本稿では,動的シーンにおいて動的コンポーネントを正確に識別しながら頑健に動作する自己教師型ディープSLAM法を提案する。
本稿では,この表現に基づく動的更新モジュールを提案し,動的シナリオに優れた高密度SLAMシステムの開発を行う。
論文 参考訳（メタデータ） (2022-07-18T17:47:39Z)
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。