論文の概要: AegisFlow: Training-Free Non-Myopic Path-Safe Guided Flow Matching

• arxiv url: http://arxiv.org/abs/2610.39825v1
• Date: Thu, 29 Oct 2026 11:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.07881
• Title: AegisFlow: Training-Free Non-Myopic Path-Safe Guided Flow Matching
• Title（参考訳）: AegisFlow: トレーニング不要なパスセーフなガイドフローマッチング
• Abstract要約: AegisFlowは、トレーニング不要で、ミオニックなパスセーフなガイダンスフレームワークである。 グローバルな範囲で安全な最適制御問題として、ガイドドジェネレーションを再放送する。 テキスト誘導画像操作やロボット計画など、最先端の手法よりも優れています。
• 参考スコア（独自算出の注目度）: 9.766492297912645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretrained generative models, such as diffusion and flow matching models, have demonstrated exceptional capabilities in synthesizing high-quality data. However, steering their generative trajectories to satisfy strict constraints--such as identity preservation in image editing or obstacle avoidance in robotics--remains fundamentally challenging. While recent training-free guidance methods enforce path-safety, they rely heavily on min-norm controllers that only account for immediate constraint satisfaction. These myopic approaches often yield suboptimal trajectories that hover dangerously close to the boundary, severely restricting the model's ability to optimize toward its target. In this paper, we propose AegisFlow, a training-free, non-myopic path-safe guidance framework that recasts guided generation as a safety-critical optimal control problem with global scope. By integrating a time-varying barrier function directly into the global cost functional, AegisFlow naturally enforces constraints along the entire generative path. To compute the global optimal control, we derive a tractable, mathematically grounded approximation of the Hamilton-Jacobi-Bellman (HJB) equation. Comprehensive experiments demonstrate that AegisFlow outperforms state-of-the-art methods across text-guided image manipulation and robotic planning, establishing a significantly better trade-off between target alignment and constraint satisfaction. Code is available at https://github.com/LiuKunpeng03/AegisFlow.
• Abstract（参考訳）: 拡散モデルやフローマッチングモデルのような事前訓練された生成モデルは、高品質なデータを合成する際、例外的な能力を示した。 しかし、画像編集におけるアイデンティティの保存や、ロボットの障害物回避など、厳格な制約を満たすために生成軌道を操縦することは、基本的に困難である。 近年の無訓練指導法ではパスセーフ化が実施されているが、即時的な制約満足度のみを考慮に入れたミニノームコントローラに大きく依存している。 これらのミオピックアプローチは、しばしば境界に危険なほど近づき、標的に向かって最適化する能力を著しく制限する準最適軌道をもたらす。 本稿では,AegisFlowを提案する。AegisFlowはトレーニング不要で,非明視的パスセーフなガイダンスフレームワークで,ガイド生成をグローバルスコープによる安全クリティカルな最適制御問題として再放送する。 時間変化の障壁関数をグローバルコスト関数に直接組み込むことで、AegisFlowは生成経路全体の制約を自然に強制する。 大域的最適制御を計算するために、ハミルトン・ヤコビ・ベルマン方程式(HJB)の計算可能で数学的に基底付けられた近似を導出する。 総合的な実験により、AegisFlowはテキスト誘導画像操作とロボット計画で最先端の手法より優れており、ターゲットアライメントと制約満足度とのトレードオフが大幅に改善されていることが示されている。 コードはhttps://github.com/LiuKunpeng03/AegisFlowで入手できる。

関連論文リスト

• ConFlow: Constraints-Guided Learning with Flow Matching for Motion Generation [2.0175723444555307]
  ロボットモーション生成では、収集されたデータには存在しないかもしれない追加の制約があることが多い。 本研究では,制約情報を直接トレーニング対象に組み込む制約誘導型フローマッチングフレームワークであるConFlowを提案する。 2ボットナビゲーションタスクの実験は、ConFlowがより低い衝突率とより高い軌道品質を達成することを示した。
  論文  参考訳（メタデータ） (2026-07-15T23:27:04Z)
• RoamFlow: Reinforcement-Aligned One-Step Action MeanFlow Policy for Image-Goal Navigation [15.931984448913264]
  RoamFlowは、MeanFlowを利用して軌道合成の平均速度場を予測する生成ナビゲーションフレームワークである。 Habitatシミュレーションと実世界のロボットプラットフォームの両方の実験では、RoamFlowは、リアルタイムの制約下で強力なナビゲーション性能を維持しながら、効率的な推論を実現している。
  論文  参考訳（メタデータ） (2026-06-29T08:10:43Z)
• ChainFlow-VLA: Causal Flow Planning with Vision-Language Models [7.814547378443577]
  現在のエンドツーエンドの自動運転システムは、時間的因果推論とグローバルな軌道整合性のミスマッチによって、基本的に制限されている。 本稿では,一貫した確率的枠組みの中で因果生成とグローバルな洗練を統一するChainFlow-VLAを提案する。 実験により、ChainFlow-VLAは曖昧で長い尾のシナリオで堅牢な計画を実現し、NAVSIM v1のリーダーボードで94.85の最先端スコアを達成した。
  論文  参考訳（メタデータ） (2026-05-22T06:17:35Z)
• Language Generation as Optimal Control: Closed-Loop Diffusion in Latent Control Space [99.30250506439678]
  本研究は,言語生成を最適制御問題として再検討する。 自己回帰モデルと拡散モデルを分析するための統一された理論的な視点を提供する。
  論文  参考訳（メタデータ） (2026-05-14T08:13:43Z)
• Composable Model-Free RL for Navigation with Input-Affine Systems [3.2917282915992883]
  自律型ロボットが複雑でダイナミックな現実世界の環境に移動するとき、彼らはリアルタイムで安全にナビゲートすることを学ぶ必要がある。 本研究では,各環境要素の値関数と最適ポリシーを学習する構成可能なモデルフリー強化学習手法を提案する。
  論文  参考訳（メタデータ） (2026-02-13T00:19:35Z)
• GuideFlow: Constraint-Guided Flow Matching for Planning in End-to-End Autonomous Driving [22.92109402334754]
  運転計画は、エンドツーエンド(E2E)自動運転の重要な要素である。 textittextbfGuideFlowは、本質的にモード崩壊を緩和するフローマッチングプロセスを明示的にモデル化する。 textittextbfGuideFlowは、生成中の制御信号としてアグレッシブな動作をパラメータ化することで、トラジェクトリスタイルの正確な操作を可能にする。
  論文  参考訳（メタデータ） (2025-11-24T03:45:32Z)
• EraseFlow: Learning Concept Erasure Policies via GFlowNet-Driven Alignment [64.14005054816998]
  強力なテキストからイメージジェネレータへの有害あるいはプロプライエタリな概念の消去は、新たな安全要件である。 このフレームワークは、概念の学習を、道の認知という空間における探索として活用する最初のフレームワークです。 単一エンド状態ではなく、すべてのトラジェクトリをサンプリングすることによって、EraseFlowは、モデルの事前を維持しながら、ターゲット概念から生成を分離するポリシーを学ぶ。
  論文  参考訳（メタデータ） (2025-11-02T04:59:38Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)

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。