論文の概要: Learning Task and Motion Plans from Real Demonstrations with Hybrid Flow Matching

• arxiv url: http://arxiv.org/abs/2610.04771v1
• Date: Sat, 03 Oct 2026 21:22:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 16:44:51.861813
• Title: Learning Task and Motion Plans from Real Demonstrations with Hybrid Flow Matching
• Title（参考訳）: ハイブリッドフローマッチングを用いた実演からの学習課題と運動計画
• Abstract要約: 長距離移動操作にはタスク計画とそれを実行する動作が必要である。 これまで、生成プランナーは固定ベースアームの数千のスクリプトによるデモに頼り、オープンループを実行してきた。 本稿では,1つのネットワークがマスク付き離散フローマッチングでシンボルプランを生成するハイブリッドフローマッチングプランナを提案する。
• 参考スコア（独自算出の注目度）: 14.648555026852632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon mobile manipulation requires a task plan and the motion that executes it. Generative planners trained on demonstration produce both in one pass, requiring neither a symbolic domain nor search. To date, however, they have relied on thousands of scripted demonstrations of fixed-base arms and executed open loop. This paper presents a hybrid flow matching planner: a single network generates the symbolic plan with masked discrete flow matching and the motion trajectory with continuous flow matching. Unlike prior generative planners, we aim to learn from a much smaller set of demonstrations and to execute the plan in closed loop. Two properties of the data compensate for the small dataset. A demonstration resumed from any of its intermediate actions is itself a demonstration, which multiplies the training samples and enables replanning after every action. Objects of the same kind are interchangeable, which turns demonstrations of one goal into demonstrations of every permuted goal. Our base implementation produces valid plans on 68% of held-out scenes; a training and generation scheme for the discrete plan raises this to 76%, and replanning after every action raises the task completion rate from 40% to 53% in a kinematic simulation. The planner matches the task completion rate of motion-only flow matching policies while additionally providing the symbolic plan, and it outperforms previous hybrid diffusion formulations on both task completion and plan validity. We validate the planner on a real mobile manipulator. Videos and project page: https://andreumatoses.github.io/research/hybrid-flow-planning
• Abstract（参考訳）: 長距離移動操作にはタスク計画とそれを実行する動作が必要である。 デモンストレーションで訓練された生成プランナーは、シンボルドメインも検索も必要とせず、1回のパスで両方を生成する。 しかし、これまで数千のスクリプトによる固定ベースの腕のデモに頼り、オープンループを実行してきた。 本稿では,1つのネットワークがマスク付き離散的なフローマッチングと連続的なフローマッチングの運動軌跡を持つシンボリックプランを生成するハイブリッドフローマッチングプランナを提案する。 従来の生成プランナとは異なり、より小さなデモセットから学び、クローズドループで計画を実行することを目指している。 データの2つの特性は、小さなデータセットを補う。 中間アクションのいずれかから再開されたデモは、それ自体がデモであり、トレーニングサンプルを乗算し、すべてのアクションの後に再計画を可能にする。 同じ種類のオブジェクトは交換可能であり、1つのゴールのデモをすべての目的のデモに変換する。 個別計画のトレーニング・生成方式では,これを76%に引き上げ,各アクションがタスク完了率を40%から53%に引き上げると再計画する。 計画立案者は,動作のみのフローマッチングポリシのタスク完了率に一致し,シンボルプランも提供し,タスク完了と計画妥当性の両面で,従来のハイブリッド拡散の定式化よりも優れていた。 実際の移動マニピュレータ上でのプランナーの検証を行う。 ビデオとプロジェクトページ:https://andreumatoses.github.io/research/hybrid-flow-planning

関連論文リスト

• Coarse-to-Control: Action-Token Planning for Vision-Language-Action Models [101.44987067974999]
  Coarse-to-Controlは計画実行VLAで、アクション・ツー・ケンの領域で計画を導入する。 アクション・ツー・ケイン・プランニングは直接アクション・ジェネレーションよりも一貫して改善されていることを示す。
  論文  参考訳（メタデータ） (2026-06-05T10:01:37Z)
• SkiP: When to Skip and When to Refine for Efficient Robot Manipulation [50.03201984643502]
  textbfSkip Policy (SkiP)は、スキップセグメントを動的に跳躍し、キーセグメントのアクションを集中的に洗練する。 emphMotion Spectrum Keying (MSK) は、動作信号から局所的な動きの複雑さを検出する高速でタスクに依存しない手順である。 実験によると、SkiPは実行ステップを15ドルから40%ほど削減し、さまざまなポリシーバックボーン間での成功率のマッチングや改善を実現している。
  論文  参考訳（メタデータ） (2026-05-15T02:16:34Z)
• GenPlan: Generative Sequence Models as Adaptive Planners [0.0]
  シーケンスモデルは、以前に収集されたデモを活用することで、行動計画において顕著な成功を収めた。 しかし、特にプランナーが目に見えない制約やタスクに適応しなければならない場合、マルチタスクミッションの解決は重要な課題である。 本稿では,適応型プランナのための離散フローモデルGenPlanを提案する。
  論文  参考訳（メタデータ） (2024-12-11T17:32:33Z)
• Neural MP: A Generalist Neural Motion Planner [75.82675575009077]
  運動計画問題にデータ駆動学習を大規模に適用することで,これを実現する。 提案手法は, シミュレーションの複雑なシーンを多数構築し, モーションプランナーから専門家のデータを収集し, 反応的なジェネラリストポリシーに抽出する。 我々は,4つの異なる環境における64の動作計画タスクについて,その方法の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2024-09-09T17:59:45Z)
• Task and Motion Planning for Execution in the Real [24.01204729304763]
  この作業は、作業を含むタスクと動作の計画を生成するが、計画時には完全には理解できない。 実行は、タスク目標に到達するまでオフラインで計画された動きとオンライン行動を組み合わせる。 提案したフレームワークを評価するために,40の実ロボット試験とモチベーション実証を行った。 その結果、実行時間が短縮され、アクションの数が少なくなり、さまざまなギャップが生じる問題の成功率が向上した。
  論文  参考訳（メタデータ） (2024-06-05T22:30:40Z)
• PDDLEGO: Iterative Planning in Textual Environments [56.12148805913657]
  テキスト環境における計画は、現在のモデルにおいても長年にわたる課題であることが示されている。 我々は,あるサブゴールの部分的な計画に導く計画表現を反復的に構築するPDDLEGOを提案する。 数ショットのPDDLEGOで作成するプランは,Coin Collectorシミュレーションでエンドツーエンドのプランを生成するよりも43%効率がよいことを示す。
  論文  参考訳（メタデータ） (2024-05-30T08:01:20Z)
• Skip-Plan: Procedure Planning in Instructional Videos via Condensed Action Space Learning [85.84504287685884]
  Skip-Plan(スキップ・プラン)は、訓練ビデオにおけるプロシージャ計画のための凝縮された行動空間学習法である。 アクションチェーン内の不確実なノードやエッジをスキップすることで、長いシーケンス関数と複雑なシーケンス関数を短いが信頼できるものに転送する。 我々のモデルは、凝縮された作用空間内のアクションシーケンス内で、あらゆる種類の信頼できる部分関係を探索する。
  論文  参考訳（メタデータ） (2023-10-01T08:02:33Z)

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。