論文の概要: DiPLO: Self-distilled Diffusion Planning for Loco-manipulation

• arxiv url: http://arxiv.org/abs/2610.24847v1
• Date: Sat, 17 Oct 2026 19:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 15:49:27.203465
• Title: DiPLO: Self-distilled Diffusion Planning for Loco-manipulation
• Title（参考訳）: DiPLO:ロコマニピュレーションのための自己蒸留拡散計画
• Abstract要約: DiPLOは、自己蒸留拡散プランナーと低レベルの全身追跡ポリシーを組み合わせたフレームワークである。 我々のプランナーは人-人-人-の運動の教師あり学習によって事前訓練される。 結果のプランナーは、未確認の目標に対する動きも生成し、キックとプッシュ/プルタスクに関するさらなる評価を行う。
• 参考スコア（独自算出の注目度）: 74.87006435472303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanoid loco-manipulation is particularly challenging because it requires coordinating locomotion, balance, and object interaction, making it difficult to learn from limited demonstrations or from scratch through Reinforcement Learning (RL). We introduce DiPLO (self-distilled Diffusion Planning for Loco-manipulation), a framework that combines a self-distilled diffusion planner with a low-level whole-body tracking policy. Our planner is pretrained via supervised learning on motions derived from human-to-humanoid retargeting, while the tracker is trained via RL to execute them. DiPLO centers around two complementary post-training stages. First, we introduce Self-Distillation Diffusion Policy Optimisation (SD:DPO) to remove the planner's dependence on strong task conditioning, which we identify as a crucial ingredient for effective pretraining, as downstream fine-tuning does not recover comparable performance when it is omitted.. We then fine-tune this distilled model with Diffusion-Augmented Proximal Policy Optimization (DA:PPO), a maximum-entropy RL method for diffusion models, to improve task success and align generated plans with the frozen tracker's execution capabilities. Together, these stages enable motion generation through state-history and goal conditioning alone, enabling 99% task success in pick-carry-place tasks, compared to just 45% for the pretrained model. The resulting planner also generates motions for unseen object goals, with further evaluations on kicking and pushing/pulling tasks. Finally, we deploy our pipeline on the hardware, using our DA:PPO planner-tracker on a Unitree G1, achieving repeated successful executions without any real-world fine-tuning.
• Abstract（参考訳）: ヒューマノイド・ロコ・マニピュレーション(Humanoid loco-manipulation)は、ロコモーション、バランス、オブジェクトの相互作用の調整を必要とするため、限られたデモンストレーションや強化学習(Reinforcement Learning, RL)を通じてスクラッチから学ぶことが難しいため、特に難しい。 自己蒸留拡散プランナと低レベルの全身追跡ポリシを組み合わせたフレームワークであるDiPLO(self-distilled Diffusion Planning for Loco-Manipulation)を紹介する。 我々のプランナーは人間から人間へのリターゲティングから得られる動きの教師あり学習によって事前訓練される一方、トラッカーはRLを介して訓練される。 DiPLOは2つの相補的な後訓練段階を中心にしている。 まず, 自己蒸留拡散政策最適化(SD:DPO)を導入し, プランナーの強いタスク条件への依存を取り除く。 と。 そこで我々は,拡散モデルのための最大エントロピーRL法である拡散拡張プロキシポリシー最適化 (DA:PPO) を用いて,この蒸留モデルを微調整し,タスク成功の改善と凍結トラッカーの実行能力の調整を行う。 これらの段階が組み合わさって、状態履歴とゴール条件のみによる動作生成を可能にし、事前訓練されたモデルではわずか45%であるのに対して、ピック・キャリー・プレイス・タスクにおいて99%のタスク成功を可能にする。 結果のプランナーは、未確認の目標に対する動きも生成し、キックとプッシュ/プルタスクに関するさらなる評価を行う。 最後に,Unitree G1上でDA:PPOプランナトラッカを使用して,ハードウェア上でパイプラインをデプロイする。

関連論文リスト

• EXPO-FT: Sample-Efficient Reinforcement Learning Finetuning for Vision-Language-Action Models [84.73890225707264]
  提案するEXPO-FTは,事前学習したVLAポリシーの安定かつサンプル効率の良いRL微調整システムである。 本システムは,オンラインロボットデータの平均19.1分以内の全ての評価課題に対して,完全なタスク性能(30/30の成功)を実現する。 我々は、ロボット工学におけるVLAモデルのより広範なRLファインタニング導入を促進することを目的とした、オープンソースのロバスト性をリリースする。
  論文  参考訳（メタデータ） (2026-05-25T06:31:03Z)
• DiffusionOPD: A Unified Perspective of On-Policy Distillation in Diffusion Models [55.01951088768769]
  DiffusionOPDはオンライン政策蒸留(OPD)に基づく拡散モデルのための新しいマルチタスクトレーニングパラダイムである 本研究では,DiffusionOPDがトレーニング効率と最終性能において,マルチリワードRLとカスケードRLのベースラインを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-14T16:49:09Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• REFINE-DP: Diffusion Policy Fine-tuning for Humanoid Loco-manipulation via Reinforcement Learning [23.094280494500214]
  本稿では,DP高レベルプランナとRLに基づく低レベルロコ操作制御を協調的に最適化する階層型フレームワークであるREFINE-DPを提案する。 REFINE-DPは、事前訓練されたデータに見られない配布外ケースであっても、シミュレーションで90%以上の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-14T02:21:19Z)
• A Goal Without a Plan Is Just a Wish: Efficient and Effective Global Planner Training for Long-Horizon Agent Tasks [66.86312354478478]
  大規模言語モデル(LLM)に基づくエージェントは、長期的タスクにおけるグローバルな計画の欠如により、脳の無い試行錯誤と幻覚行動を引き起こす。 計画実行フレームワークを導入し,人的努力を伴わずに実行エージェントの計画能力を高めるためのプランナー訓練手法を提案する。 実験の結果,我々のプランナーを組み込んだ実行エージェントは既存の手法よりも優れており,新たな最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-10-07T06:10:53Z)
• Drive As You Like: Strategy-Level Motion Planning Based on A Multi-Head Diffusion Model [7.3078271605135114]
  拡散型多頭部軌道プランナ(M拡散プランナ)を提案する。 初期の訓練段階では、すべての出力ヘッドは、高品質な軌道を生成するためにウェイトを共有する。 戦略選択のガイドとして,大規模言語モデル(LLM)を導入し,動的かつ命令対応の計画を可能にする。
  論文  参考訳（メタデータ） (2025-08-23T08:33:11Z)
• One-Step Diffusion Policy: Fast Visuomotor Policies via Diffusion Distillation [80.71541671907426]
  OneStep Diffusion Policy (OneDP)は、事前訓練された拡散政策から知識を単一ステップのアクションジェネレータに蒸留する新しいアプローチである。 OneDPはロボット制御タスクの応答時間を著しく短縮する。
  論文  参考訳（メタデータ） (2024-10-28T17:54:31Z)

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。