論文の概要: Control-Ready Uncertainty for Trajectory Diffusion

• arxiv url: http://arxiv.org/abs/2610.12431v1
• Date: Thu, 08 Oct 2026 17:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.244988
• Title: Control-Ready Uncertainty for Trajectory Diffusion
• Title（参考訳）: 軌道拡散のための制御可能な不確かさ
• Abstract要約: Score-Curvature for Online Precision Estimation (SCOPE)は,制御可能な不確実性を伴う拡散軌道モデルを拡張する軽量モジュールである。 SCOPEは、スコア・曲率情報を蒸留することにより、各名目軌跡の周囲に構造化された精度行列を学習する。 歩行者予測,群集ナビゲーション,Maze2D制御,実世界のフランカ・パンダ操作において,モード条件付き多モード拡散バックボーンを用いたSCOPEの評価を行った。
• 参考スコア（独自算出の注目度）: 9.672954117783908
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models can represent complex, multimodal trajectory distributions, but extracting uncertainty from them typically requires costly Monte Carlo sampling. This limits their use in real-time control, where robots must rapidly assess risk and maintain safety margins. We introduce Score-Curvature for Online Precision Estimation (SCOPE), a lightweight module that augments diffusion trajectory models with control-ready uncertainty. SCOPE learns a structured precision matrix around each nominal trajectory by distilling score-curvature information and producing calibrated Gaussian tubes with low overhead and without repeated Monte Carlo sampling. These tubes provide per-timestep covariance estimates that can be used both as predicted occupancy for moving agents and as adaptive exploration guides for robot control. We evaluate SCOPE with mode-conditioned multimodal diffusion backbones in pedestrian forecasting, crowd navigation, Maze2D control, and real-world Franka Panda manipulation. Across these settings, SCOPE provides fast uncertainty estimation, which leads to better closed-loop performance. Project page: https://zackaxue.github.io/SCOPE-project-page/
• Abstract（参考訳）: 拡散モデルは複雑で多モーダルな軌道分布を表すことができるが、それらから不確実性を取り出すにはモンテカルロサンプリングが通常必要である。 ロボットはリスクを迅速に評価し、安全マージンを維持する必要がある。 Score-Curvature for Online Precision Estimation (SCOPE)は,制御可能な不確実性を伴う拡散軌道モデルを拡張する軽量モジュールである。 SCOPEは、スコア曲率情報を蒸留し、低オーバーヘッドかつモンテカルロサンプリングを繰り返すことなく、キャリブレーションされたガウス管を生成することにより、各名目軌道の周りの構造的精度行列を学習する。 これらのチューブは、移動エージェントの予測占有率とロボット制御のための適応探索ガイドの両方に使用可能な、タイムステップ毎の共分散推定を提供する。 歩行者予測,群集ナビゲーション,Maze2D制御,実世界のフランカ・パンダ操作において,モード条件付き多モード拡散バックボーンを用いたSCOPEの評価を行った。 これらの設定全体で、SCOPEは高速な不確実性推定を提供し、クローズドループ性能が向上する。 プロジェクトページ:https://zackaxue.github.io/SCOPE-project-page/

関連論文リスト

• Multimodal Transformer Based Generic Mixture Density Network for Scattering Timescale Estimation of Fast Radio Bursts [0.7632410926487435]
  本稿では,MT-GMDN (Multimodal Transformer Based Generic Mixture Density Network) という深層学習手法を提案する。 MT-GMDN は CHIME/FRB cattwo から$sim3500$ FRB のトレーニングを行い,トレーニング中の検証やトレーニング完了後のテストのために一部の FRB を保有した。 モデルは、測定可能な散乱を伴う事象に対する期待値の$$$$に対して94%$の判定係数(R2$)を、テストにおいて90%$の優れたリコール値で達成する。
  論文  参考訳（メタデータ） (2026-06-02T13:01:08Z)
• Muninn: Your Trajectory Diffusion Model But Faster [4.221836692945716]
  拡散に基づく軌道プランナーは、リッチでマルチモーダルなロボットの動きを合成できるが、反復的なデノベーションは、オンラインの計画と制御を違法に遅くする。 本研究では,モデルの再学習や軌道品質の犠牲を伴わずに,ロボットのリアルタイム使用に十分な速度で拡散型軌道プランナを構築するという課題に対処する。 Muninnは、タスクのパフォーマンスと安全性の指標を保ちながら、デノイザの評価を減らし、複数の軌道拡散モデルで最大4.6倍のウォールタイムのスピードアップを提供する。
  論文  参考訳（メタデータ） (2026-05-11T05:21:52Z)
• Drift is a Sampling Error: SNR-Aware Power Distributions for Long-Horizon Robotic Planning [6.615277432526784]
  トレーニング不要な推論時間計算フレームワークであるCAPS(Context-Aware Power Sampling)を提案する。 CAPSはグローバルな軌道の確率を高め、モデルの条件付き生成軌道分布のルックアヘッド検索を可能にする。 RoboTwin、Simpler-WindowX、Libero-longベンチマークの実験では、CAPSは強力なベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-05-10T13:49:56Z)
• Bridging Large-Model Reasoning and Real-Time Control via Agentic Fast-Slow Planning [42.15812524999639]
  Agentic Fast-Slow Planning(エージェント・ファスト・スロー・プランニング)は、知覚、推論、計画、そして自然の時間スケールをまたいだ制御を分離する階層的なフレームワークである。 エージェント高速スロープランニングは摂動下での堅牢性を向上し、純粋なMPCおよびA*誘導MPCベースラインと比較して、横方向偏差を最大45%減らし、完了時間を12%以上短縮することを示した。
  論文  参考訳（メタデータ） (2026-04-02T06:34:29Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Learnable Chernoff Baselines for Inference-Time Alignment [64.81256817158851]
  本稿では,指数関数的に傾いたカーネルから効率よく,およそサンプリングする方法として,Learnerable Chernoff Baselinesを紹介した。 理想的なモデルに対する全変量保証を確立し、LCBサンプリングが理想的拒絶サンプリングと密接に一致するような連続的および離散的な拡散設定を実証する。
  論文  参考訳（メタデータ） (2026-02-08T00:09:40Z)
• DFPO: Scaling Value Modeling via Distributional Flow towards Robust and Generalizable LLM Post-Training [94.568675548967]
  実環境における訓練強化学習(RL)システムは、ノイズの多い監視とドメイン外の一般化が不十分なため、依然として困難である。 近年の分布RL法は、複数の量子点を持つ値をモデル化することでロバスト性を向上させるが、スカラーとして各量子点を独立に学習する。 DFPOは、時間ステップをまたいだ連続フローとして値をモデル化する、ロバストな分散RLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-05T17:07:42Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Practical Probabilistic Model-based Deep Reinforcement Learning by Integrating Dropout Uncertainty and Trajectory Sampling [7.179313063022576]
  本稿では,ニューラルネットワーク上に構築された現在の確率モデルベース強化学習(MBRL)の予測安定性,予測精度,制御能力について述べる。 トラジェクトリサンプリング(DPETS)を用いた新しいアプローチであるドロップアウト型確率アンサンブルを提案する。
  論文  参考訳（メタデータ） (2023-09-20T06:39:19Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)

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。