論文の概要: Trajectory Planning without Trajectory Data: A Manifold-Guided Approach

• arxiv url: http://arxiv.org/abs/2610.08863v1
• Date: Mon, 05 Oct 2026 20:51:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.517297
• Title: Trajectory Planning without Trajectory Data: A Manifold-Guided Approach
• Title（参考訳）: 軌跡データを持たない軌道計画法 : マニフォールドガイドによるアプローチ
• Abstract要約: 軌道計画の一般的な方法は、専門家軌道の大規模なコレクションで訓練された生成モデルを活用することである。 本稿では,基礎となる状態空間多様体を学習し,軌道計画に多様体の幾何学を用いる方法を提案する。 Maze2Dとロボットモーションプランニングのベンチマークの実験では、アリアドンは州のみの監督から実現可能な経路を構築している。
• 参考スコア（独自算出の注目度）: 57.305915458910725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A common way for trajectory planning is to leverage generative models trained on large collections of expert trajectories. At inference time, the model generates executable trajectories by conditioning on task goal constraints. However, trajectory-based methods rely on costly supervision, scale poorly with sequence length, and often generalize poorly to unseen constraints such as novel start-goal pairs. We propose an alternative to learn the underlying state-space manifold and use the geometry of the manifold for trajectory planning. This approach requires only state observations and enables generalization to unseen constraints by con- structing trajectories on the learned manifold of the state space. Experiments on Maze2D and robotic motion-planning benchmarks show that Ariadne constructs feasible paths from state-only supervision and generalizes to unseen start-goal combinations. On high-dimensional dual-arm planning, it remains competitive with trajectory-supervised and classical planners, while requiring no trajectory data for training.
• Abstract（参考訳）: 軌道計画の一般的な方法は、専門家軌道の大規模なコレクションで訓練された生成モデルを活用することである。 推論時に、モデルはタスク目標制約を条件にすることで実行可能な軌道を生成する。 しかし、トラジェクトリに基づく手法は、コストのかかる監督に依存し、シーケンス長のスケールが悪く、しばしば新しいスタートゴールペアのような目に見えない制約に悪影響を及ぼす。 本稿では,基礎となる状態空間多様体を学習し,軌道計画に多様体の幾何学を用いる方法を提案する。 このアプローチは状態観察のみを必要とし、状態空間の学習多様体上の軌跡をコンストラクタ化することで、制約が見えないように一般化できる。 Maze2Dとロボットモーションプランニングベンチマークの実験では、アリアドンは州のみの監督から実現可能な経路を構築し、目に見えないスタートゴールの組み合わせに一般化している。 高次元のデュアルアーム・プランニングでは、トラジェクタと古典的なプランナーと競合するが、トレーニングにはトラジェクタデータを必要としない。

関連論文リスト

• Whole-Body Planning for Humanoids Navigating Confined Spaces via Self-Collision Avoidance References [2.8747398859585385]
  高度に制限された環境でのヒューマノイド移動は、密集した環境障害と複雑な自己衝突境界をナビゲートする必要がある。 運動学的に到達可能な剛体ボリューム上での運動経路計画を直接定式化する3段階の全身計画フレームワークを提案する。 本フレームワークは,12～18秒のタスクに対して,標準ベースラインが故障した場合に,複雑な足と手との接触が可能なトラジェクタを生成する。
  論文  参考訳（メタデータ） (2026-08-10T20:45:19Z)
• InsTraj: Instructing Diffusion Models with Travel Intentions to Generate Real-world Trajectories [58.29205608173041]
  InsTrajは、拡散モデルに自然言語記述から直接高忠実な軌道を生成するよう指示する新しいフレームワークである。 InsTrajは、入力命令に対して現実的で多様で意味論的に忠実な軌跡を生成する際に、最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2026-04-05T12:56:55Z)
• NoTVLA: Narrowing of Dense Action Trajectories for Generalizable Robot Manipulation [54.87964060934928]
  VLA(Vision-Language-Action)モデルは、現実の展開において重要な障壁に直面している。 本稿では,軌道の狭小化に焦点を絞った新しい手法として,軌道の狭小化(Narrowing of Trajectory)VLAフレームワークを提案する。 NoTVLAは2つのクリティカルな制約の下で動作しながら、pi0よりも優れたパフォーマンスと一般化を実現している。
  論文  参考訳（メタデータ） (2025-10-04T18:26:55Z)
• Tree-Guided Diffusion Planner [31.664192839205608]
  事前訓練された拡散を伴う計画がテストタイム誘導制御問題に対する有望なアプローチとして浮上した。 本研究では、構造化軌道生成による探索と利用のバランスをとるゼロ時間テストタイム計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-29T17:27:44Z)
• Towards Bio-Inspired Robotic Trajectory Planning via Self-Supervised RNN [0.8258451067861933]
  ロボット工学における軌道計画は、ロボットエージェントを初期状態から望ましい最終状態へと導く一連の関節構成を生成すると理解されている。 近年の進歩は、軌道計画がトラジェクトリの教師付きシーケンス学習によっても実行可能であることを示している。 本稿では,軌道モデル構築のための繰り返しアーキテクチャに基づく,認知にインスパイアされた自己教師型学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T22:05:58Z)
• LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
  従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。 当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
  論文  参考訳（メタデータ） (2023-12-30T02:53:45Z)
• Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset and Consensus-Based Models [76.32775745488073]
  本研究では,非構造環境における動作計画の研究を目的とした,新しいデータセットとモデリングフレームワークを提案する。 コンセンサスに基づくモデリング手法により、データセットで観測された優先順位の出現を効果的に説明できることを実証する。
  論文  参考訳（メタデータ） (2022-09-19T05:06:57Z)
• Pre-training General Trajectory Embeddings with Maximum Multi-view Entropy Coding [36.18788551389281]
  軌道埋め込みはタスク性能を向上させることができるが、高い計算コストを発生させ、限られたトレーニングデータ可用性に直面する可能性がある。 既存の軌道埋め込み手法は、特定の下流タスクに対するバイアスによる一般的な埋め込み学習の難しさに直面している。 一般的な包括的軌跡埋め込み学習のための多視点エントロピー符号化(MMTEC)を提案する。
  論文  参考訳（メタデータ） (2022-07-29T08:16:20Z)
• Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors [124.30562402952319]
  未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。 視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。 本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-23T17:58:56Z)

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。