論文の概要: Adaptive Mean Flow for Responsive Closed-Loop Robot Control
- arxiv url: http://arxiv.org/abs/2610.06089v1
- Date: Mon, 05 Oct 2026 10:24:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 18:51:26.515783
- Title: Adaptive Mean Flow for Responsive Closed-Loop Robot Control
- Title（参考訳）: 応答性閉ループロボット制御のための適応平均流
- Abstract要約: 本稿では,スムーズで応答性の高い完全閉ループロボット制御が可能なフローベースIL法であるAdaptive Mean Flow (AMF)を提案する。
AMFは予測遅延を最小限にするために,FM(Flow Matching)の高速化形式であるMean Flowを使用している。
本研究は,広範囲のシミュレーションおよび実ロボットタスクを対象としたAMFの評価を行い,ベースラインと比較して性能が有意に向上したことを示す。
- 参考スコア（独自算出の注目度）: 0.21748200848556343
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion- and flow-based robot policies have recently become widespread in robotic Imitation Learning (IL) due to their high performance and ability to model continuous and multimodal distributions. However, the iterative denoising procedure used by these models introduces significant prediction latency, hindering high-frequency closed-loop robot control and leading to jittery, unstable motion when frequent updates to the robot's action predictions are used. Therefore, it is common practice to train models to predict chunks of actions that can be executed sequentially without feedback, even when this reduces responsiveness and may mean the most recent state information is not used. In this article, we present Adaptive Mean Flow (AMF), a flow-based IL method that enables smooth and responsive, fully closed-loop robot control. AMF uses Mean Flow, which is an accelerated form of Flow Matching (FM), to minimize prediction latency. To ensure smoothness and consistency across predictions, AMF uses a corrupted version of the trajectory from the previous step when predicting new robot actions, with the signal-to-noise ratio increasing over the time parameter of the trajectory. This discourages large changes in the prediction from one step to the next, while allowing freedom to adapt the predictions for future steps. We evaluate AMF across a wide range of simulated and real robot tasks and demonstrate significantly improved performance compared with baselines. Code: https://github.com/akselva/Adaptive-mean-flow-RoboticIL.
- Abstract（参考訳）: 拡散型・フロー型ロボット政策は, ロボット模倣学習(IL)において, 高性能かつ連続的・多モード分布をモデル化する能力により, 最近普及している。
しかし、これらのモデルで使用される反復的デノケーション手順では、大きな予測遅延が発生し、高周波閉ループロボット制御が妨げられ、ロボットの動作予測を頻繁に更新する場合、ジッタリで不安定な動作が生じる。
したがって、応答性が低下し、最新の状態情報が使用されない場合であっても、フィードバックなしで順次実行できるアクションのチャンクを予測するためにモデルを訓練することは一般的である。
本稿では,スムーズで応答性の高い完全閉ループロボット制御を実現するフローベースIL法であるAdaptive Mean Flow (AMF)を提案する。
AMFは予測遅延を最小限にするために,FM(Flow Matching)の高速化形式であるMean Flowを使用している。
予測のスムーズさと一貫性を確保するため、AMFは、新しいロボット動作を予測する際に、前のステップから軌道の破損したバージョンを使用し、軌道の時間パラメータによって信号対雑音比が増加する。
これにより、あるステップから次のステップへの予測の大きな変更を回避し、将来のステップに予測を適用する自由を許す。
本研究は,広範囲のシミュレーションおよび実ロボットタスクを対象としたAMFの評価を行い,ベースラインと比較して性能が有意に向上したことを示す。
コード:https://github.com/akselva/Adaptive-mean-flow-RoboticIL
関連論文リスト
- Faster Visuomotor Policy Learning on Action Manifolds via Riemannian MeanFlow [17.543629768567026]
Visuomotor Policyは、生の感覚観察からロボットアクションシーケンスへの直接マップを学習する。
本稿では,ロボット行動多様体上の確率経路の条件付きフローマップを学習するポリシーを提案する。
球面LASAおよびPush-Tベンチマーク、ロブミミックスイートのツールハングおよびトランスポートタスク、および多様体制約されたアクション生成を伴うフランカキッチンタスクについて結果を示す。
論文 参考訳（メタデータ） (2026-09-24T17:00:57Z) - RoMAN-Flow: Taming Autoregressive Normalizing Flows for Offline Reinforcement Learning in Robotic Manipulation [36.16163751472016]
オフライン強化学習フレームワークは、ロボット操作にAR-NFポリシーを実用的なものにする。
RoMAN-Flowはサンプリング不要で有利な可能性の目標を採用している。
シミュレーションされた操作ベンチマークと実世界のロボットプラットフォームによる実験は、RoMAN-Flowが競合ポリシーのパフォーマンスを達成することを実証している。
論文 参考訳（メタデータ） (2026-08-20T16:07:56Z) - FBFM: A Training-Free Asynchronous Feedback Mechanism for Flow-Matching in World-Action Models Execution [50.18922379062543]
フィードバックフローマッチング(Feedback Flow Matching, FBFM)は、アクティブに生成されたチャンク内で再接地を行うトレーニング不要な推論機構である。
トレーニング不要であるため、このメカニズムは予期せぬ事象に対する応答性を改善し、長時間の作業におけるドリフトを抑制する。
我々は,FBFMを第2世代WAMと第2世代WAMの両方で評価した。
論文 参考訳（メタデータ） (2026-07-31T10:11:09Z) - High-Fidelity One-Step Generative Visuomotor Policy via Recursive Correction, Frequency Consistency, and Contrastive Flow Matching [3.5570904967011505]
拡散や流れのマッチングのような生成モデルは、多モーダルな行動分布をモデル化することによって、ロボットビズモータポリシーを進化させた。
既存のワンステップ加速法は、生成プロセス全体を1つの大きな更新に圧縮し、空間偏差、周波数歪み、モード平均化をもたらす。
本稿では,これらの問題に3つの相補的なメカニズムで対処する,高忠実な1ステップ生成型ビズモータポリシーフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-04T13:12:38Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation [68.7948300643741]
ロボットの異常検出と介入をリアルタイムに監視するロボット・コンディションド・ノーマライゼーション・フロー(RC-NF)を提案する。
RC-NFは、正規化フロー内のタスク認識ロボットとオブジェクト状態の処理を分離する。
従来のロボットタスクの監視方法と比較して、あらゆる異常なタイプで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-11T10:14:37Z) - Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。
連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。
複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
論文 参考訳（メタデータ） (2026-02-04T05:37:09Z) - FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。
FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
論文 参考訳（メタデータ） (2025-01-16T18:57:04Z) - Implicit factorized transformer approach to fast prediction of turbulent channel flows [6.70175842351963]
本稿では,従来の連鎖因数分解処理を並列因数分解処理に置き換える改良型暗黙因数分解変換器 (IFactFormer-m) モデルを提案する。
IFactFormer-mモデルは乱流流の長期予測に成功している。
論文 参考訳（メタデータ） (2024-12-25T09:05:14Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z)
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。