拡散モデル/制御2026/2/1arXiv:2602.02831

適応的線形パスモデルベース拡散

Adaptive Linear Path Model-Based Diffusion

拡散モデルとモデルベース制御を組み合わせ、線形確率パスでスケジューリングを簡素化し、強化学習で拡散ステップとノイズを適応的に調整する手法を提案。

詳しい要約

1. どんなもの？

- 拡散モデルとモデルベース制御を統合したロボット制御手法。 - 従来の variance-preserving schedule を flow-matching に着想を得た線形確率パスに置き換えた LP-MBD を提案。 - さらに強化学習で拡散ステップとノイズレベルを適応調整する ALP-MBD を提案。 - 数値実験、Brax ベンチマーク、移動ロボット軌道追従で評価。

2. 先行研究と比べてどこがすごい？

- 従来の拡散モデルはスケジューリングパラメータの選択に非常に敏感で、チューニングが最大の課題。 - LP-MBD は variance-preserving schedule を線形確率パスに置き換え、幾何学的に解釈可能で分離されたパラメータ化を実現。 - チューニングの複雑さを軽減し、適応のための安定した基盤を提供。 - ALP-MBD は強化学習によりタスク複雑度や環境条件に応じて拡散ステップとノイズレベルを調整し、堅牢性・適応性・リアルタイム効率を改善。

3. 技術・手法の肝は？

- LP-MBD: variance-preserving schedule の代わりに flow-matching に着想を得た線形確率パスを採用。 - これにより幾何学的に解釈可能で分離されたパラメータ化を実現。 - ALP-MBD: 強化学習を用いて拡散ステップとノイズレベルをタスク複雑度・環境条件に応じて適応的に調整。

4. どうやって有効だと検証した？

- 数値研究、Brax ベンチマーク、移動ロボット軌道追従で検証。 - LP-MBD はスケジューリングを簡素化しつつ強い性能を維持。 - ALP-MBD は堅牢性、適応性、リアルタイム効率をさらに改善。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: variance-preserving schedule を用いた拡散モデル、flow-matching、モデルベース制御と拡散モデルの統合手法。 - 関連手法: Brax ベンチマーク、強化学習による拡散モデルの適応。 - 同分野の定番: Diffusion Policy、Model-Based Reinforcement Learning、Flow Matching。

※ 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: Yutaka Shimizu, Masayoshi Tomizuka

分類: cs.RO

原文アブストラクト

The interest in combining model-based control approaches with diffusion models has been growing. Although we have seen many impressive robotic control results in difficult tasks, the performance of diffusion models is highly sensitive to the choice of scheduling parameters, making parameter tuning one of the most critical challenges. We introduce Linear Path Model-Based Diffusion (LP-MBD), which replaces the variance-preserving schedule with a flow-matching-inspired linear probability path. This yields a geometrically interpretable and decoupled parameterization that reduces tuning complexity and provides a stable foundation for adaptation. Building on this, we propose Adaptive LP-MBD (ALP-MBD), which leverages reinforcement learning to adjust diffusion steps and noise levels according to task complexity and environmental conditions. Across numerical studies, Brax benchmarks, and mobile-robot trajectory tracking, LP-MBD simplifies scheduling while maintaining strong performance, and ALP-MBD further improves robustness, adaptability, and real-time efficiency.

arXivで原文を読む →arXiv概要ページ

← 論文一覧