論文の概要: Long-Horizon Multi-Object Rearrangement via Distilled Tree Search over Continuous Actions

• arxiv url: http://arxiv.org/abs/2610.25785v1
• Date: Mon, 19 Oct 2026 04:50:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:44:16.8745
• Title: Long-Horizon Multi-Object Rearrangement via Distilled Tree Search over Continuous Actions
• Title（参考訳）: 連続行動による希釈木探索による長距離多目的配置
• Abstract要約: DISCO: 連続行動による希釈木探索を提案する。 DISCOは物理シミュレーションにプログレッシブワイドMCTSを使用して長期計画を生成する。 探索中、学習されたポリシは継続的なアクションを提案し、学習された値関数はタスク完了に向けた期待された進捗によってアクションをスコアする。 GPU並列化シミュレーションを用いて、DECCOはMCTS生成した計画をポリシー値モデルに定期的に蒸留し、その後の検索で使用されるアクション提案と値推定を改善する。 最後に、学習したポリシー値モデルを、テスト時にシミュレータベースの検索を必要とせずに直接デプロイすることができる。
• 参考スコア（独自算出の注目度）: 50.32428811924297
• License:
• Abstract: Despite recent advances in policy learning, long-horizon manipulation remains difficult because learned policies must avoid compounding errors while preserving future feasibility. While search-based planning can explicitly reason over such future consequences, it quickly becomes expensive in high-dimensional continuous action spaces. This raises a central question: how can long-horizon reasoning from search be transferred into policies in continuous action spaces? To this end, we propose DISCO: Distilled Tree Search over Continuous Actions. DISCO uses progressive-widening MCTS in physics simulation to generate long-horizon plans. During search, a learned policy proposes continuous actions, while a learned value function scores actions by their expected progress toward task completion. Using GPU-parallelized simulation, DISCO periodically distills MCTS-generated plans into the policy-value model, improving the action proposals and value estimates used in subsequent searches. Finally, the learned policy-value model can be directly deployed without the need for simulator-based search at test time. Across simulated and real-world rearrangement tasks, DISCO outperforms behavior cloning, reinforcement learning, and search-based baselines.
• Abstract（参考訳）: 近年の政策学習の進歩にもかかわらず、学習した政策は、将来の実現可能性を維持しながら、エラーの複合を避ける必要があるため、長期にわたる操作は難しいままである。 検索ベースのプランニングは、このような将来的な結果に対して明確に推論できるが、高次元の連続行動空間では、すぐに高価になる。 ロングホライズン推論は、どのようにして連続的なアクション空間のポリシーに移行できるのか? そこで本研究では,Disco: Distilled Tree Search over Continuous Actionsを提案する。 DISCOは物理シミュレーションにプログレッシブワイドMCTSを使用して長期計画を生成する。 探索中、学習されたポリシは継続的なアクションを提案し、学習された値関数はタスク完了に向けた期待された進捗によってアクションをスコアする。 GPU並列化シミュレーションを用いて、DECCOはMCTS生成した計画をポリシー値モデルに定期的に蒸留し、その後の検索で使用されるアクション提案と値推定を改善する。 最後に、学習したポリシー値モデルを、テスト時にシミュレータベースの検索を必要とせずに直接デプロイすることができる。 シミュレーションと実世界の並べ替え作業全体において、disCOは行動クローニング、強化学習、検索ベースラインよりも優れています。

関連論文リスト

• Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning [60.75091491636976]
  TreeOPSDは、長距離エージェント強化学習のための、批判のない、木を意識した後部自己蒸留フレームワークである。 複数の競合ベンチマークとモデルスケールでエージェント機能を改善する。
  論文  参考訳（メタデータ） (2026-10-16T09:17:26Z)
• Long-Horizon Manipulation via Trace-Conditioned VLA Planning [55.80061850746898]
  LoHo-Manipは、短い水平VLA実行を専用のタスク管理VLMを介して長い水平命令にスケールするフレームワークである。 LoHo-Manipは、サブタスクシーケンスと明示的な完了+残り分割を軽量言語メモリとして組み合わせた、進捗対応の残計画を予測する。 実行器VLAは、レンダリングされたトレースの条件に適合し、長い水平決定を繰り返しローカル制御に変換する。
  論文  参考訳（メタデータ） (2026-04-23T17:59:04Z)
• Autonomous Vehicle Path Planning by Searching With Differentiable Simulation [55.46735086899153]
  計画では、エージェントが現実世界で実行する前に、アクションを安全に洗練することができる。 自動運転では、衝突を避け、複雑な密集した交通シナリオをナビゲートすることが不可欠である。 本稿では、微分可能シミュレータWaymaxを次の状態予測と批判の両方として活用するフレームワークである、微分可能探索シミュレーション(DSS)を提案する。
  論文  参考訳（メタデータ） (2025-11-14T07:56:34Z)
• Efficient Robotic Policy Learning via Latent Space Backward Planning [17.770562202624962]
  現行のロボット計画手法は、しばしば、全画素の詳細を持つ多フレーム画像の予測に頼っている。 本稿では,その課題を最終目標とするLBP(Latent Space Backward Planning scheme)を提案する。 LBPは既存の細粒度・前方計画法よりも優れた性能を示し,SOTA性能を実現している。
  論文  参考訳（メタデータ） (2025-05-11T06:13:51Z)
• Learning Hidden Subgoals under Temporal Ordering Constraints in Reinforcement Learning [14.46490764849977]
  本稿では, bf 順序付き bf 制約 (LSTOC) に基づく bf l 隠れ bf サブゴールに対する新しい RL アルゴリズムを提案する。 本研究では,隠れたサブゴールとその時間的順序を同時に学習できる新しいコントラスト学習目標を提案する。
  論文  参考訳（メタデータ） (2024-11-03T03:22:39Z)
• Continuous Monte Carlo Graph Search [61.11769232283621]
  連続モンテカルログラフサーチ(Continuous Monte Carlo Graph Search, CMCGS)は、モンテカルログラフサーチ(MCTS)のオンラインプランニングへの拡張である。 CMCGSは、計画中、複数の州で同じ行動方針を共有することで高いパフォーマンスが得られるという洞察を生かしている。 並列化によってスケールアップすることができ、学習力学モデルによる連続制御においてクロスエントロピー法(CEM)よりも優れている。
  論文  参考訳（メタデータ） (2022-10-04T07:34:06Z)
• Broadly-Exploring, Local-Policy Trees for Long-Horizon Task Planning [12.024736761925864]
  現実的な環境での長期計画には、高次元状態空間における逐次的なタスクを推論する能力が必要である。 本稿では,タスク条件付きモデルベースツリー探索であるBroadly-Exploring-Local-policy Trees (BELT)を提案する。 BELTは、目標条件付きポリシーを順に計画し、堅牢な計画を生成することができるように実験的に実証されている。
  論文  参考訳（メタデータ） (2020-10-13T15:51:24Z)

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。