日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

計画/拡散モデルarXiv:2509.08775

モデルベースとモデルフリー拡散の統合による制約付き計画

Joint Model-based Model-free Diffusion for Planning with Constraints

シェア:XThreadsFacebookLINEはてブBluesky

モデルフリー拡散プランナとモデルベース最適化モジュールを、追加学習なしで統合する生成モデリング枠組みJM2Dを提案し、安全制約下のロボット操作で性能と安全性を両立させた。

詳しい要約

1. どんなもの?

- ロボットの motion planning 向けに、model-free diffusion planner と model-based 最適化モジュールを統合する生成モデリング枠組み JM2D (Joint Model-based Model-free Diffusion) を提案する研究。 - モジュール統合を joint sampling 問題として定式化し、interaction potential により両者の compatibility を最大化する。 - 追加学習なしで、安全制約などの制約を課す safety module と diffusion planner を整合させることを狙う。

2. 先行研究と比べてどこがすごい?

- 従来の model-free diffusion planner は有望だが、安全などの制約を課す model-based 最適化モジュールとの統合に compatibility の課題があった。 - diffusion の multi-modal 出力が最適化モジュールに対して adversarially に振る舞う場合がある点を問題視。 - JM2D は追加学習なしで統合を実現し、非微分可能な目的関数にも対応できる点が特徴。 - 従来の safety filter と比べ、安全性を犠牲にせずタスク性能を大きく改善。

3. 技術・手法の肝は?

- モジュール統合を joint sampling 問題として定式化し、interaction potential を最大化する形で compatibility を高める。 - importance sampling を用い、interaction potential の評価のみに基づいてモジュール出力をガイドする。 - これにより非凸最適化モジュール由来の非微分可能な目的関数を扱える。 - conditional generation が JM2D の特殊ケースであることを示す。

4. どうやって有効だと検証した?

- offline RL と robot manipulation において、diffusion planner を safety module と整合させる用途で評価。 - 従来の safety filter と比較し、安全性を維持しつつタスク性能が大幅に改善することを示す。 - SOTA の gradient-based および projection-based diffusion planner との比較により、主要な設計選択を明らかにする。

5. 議論はある?

- conditional generation が JM2D の特殊ケースであることを示し、設計上の位置づけを議論。 - SOTA の gradient-based / projection-based diffusion planner との比較から設計選択の知見を提示。 - 具体的な限界や失敗ケース、計算コストなどの詳細は要旨からは不明。

6. 次に読むべき論文は?

- SOTA の gradient-based diffusion planner(例: Diffusion Policy 系の guidance 手法) - projection-based diffusion planner - safety filter を用いた制約付き planning の関連研究 - offline RL における diffusion planner の研究 - conditional generation としての diffusion guidance の基礎研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Wonsuhk Jung, Utkarsh A. Mishra, Nadun Ranawaka Arachchige, Yongxin Chen, Danfei Xu, Shreyas Kousik

分類: cs.RO

原文アブストラクト

Model-free diffusion planners have shown great promise for robot motion planning, but practical robotic systems often require combining them with model-based optimization modules to enforce constraints, such as safety. Naively integrating these modules presents compatibility challenges when diffusion's multi-modal outputs behave adversarially to optimization-based modules. To address this, we introduce Joint Model-based Model-free Diffusion (JM2D), a novel generative modeling framework. JM2D formulates module integration as a joint sampling problem to maximize compatibility via an interaction potential, without additional training. Using importance sampling, JM2D guides modules outputs based only on evaluations of the interaction potential, thus handling non-differentiable objectives commonly arising from non-convex optimization modules. We evaluate JM2D via application to aligning diffusion planners with safety modules on offline RL and robot manipulation. JM2D significantly improves task performance compared to conventional safety filters without sacrificing safety. Further, we show that conditional generation is a special case of JM2D and elucidate key design choices by comparing with SOTA gradient-based and projection-based diffusion planners. More details at: https://jm2d-corl25.github.io/.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI