軌道生成/拡散モデル/高速化2026/5/1arXiv:2605.09999

Muninn: あなたの軌道拡散モデルをより速く

Muninn: Your Trajectory Diffusion Model But Faster

拡散ベースの軌道プランナーを再学習なしで高速化するラッパー手法を提案。各ステップでキャッシュ再利用と再計算を適応的に切り替え、最大4.6倍の高速化を実現。

詳しい要約

1. どんなもの？

- Diffusion-based trajectory planner の推論高速化手法 - 学習不要の caching wrapper「Muninn」を提案 - 各 diffusion step で cached denoiser 出力の再利用か再計算かを選択 - 最大 4.6x の wall-clock speedup を達成 - 計画品質・安全性を維持し、closed-loop 実機でも検証

2. 先行研究と比べてどこがすごい？

- 既存の高速化は sampler 改変か network 圧縮が主流 - それらは plan quality を犠牲にするか再学習を要する - downstream control risk を考慮しない点が課題 - Muninn は再学習不要・品質非犠牲 - 多様な state-space diffusion アーキテクチャに適用可能

3. 技術・手法の肝は？

- 2つの信号を活用: 内部 trajectory 表現の変化を測る安価な probe - denoiser 誤差が sampler の state update に与える影響を示す analytic coefficients - offline run で両者を calibrate し per-step score を取得 - この score が cached 出力再利用時の最終 trajectory 偏差の upper bound - これを uncertainty budget として denoising 過程で消費 - 予測偏差が小さければ cache 再利用、大きければ再計算

4. どうやって有効だと検証した？

- 標準 benchmark で複数の trajectory diffusion model に適用 - denoiser 評価回数を削減し最大 4.6x の wall-clock speedup - task performance と safety metrics を維持 - cached rollout が full-compute 版と指定距離内に収まることを certify - 実時間 closed-loop の navigation と manipulation の実機展開で検証

5. 議論はある？

- 要旨からは不明（明示的な限界や失敗事例の議論は記載なし） - ただし cached rollout の偏差を指定距離内に保つ保証を提示 - 再学習不要で多様なアーキテクチャに適用可能と主張

6. 次に読むべき論文は？

- 要旨で参照/比較されている既存手法は明示されていない - 関連する同分野の定番として diffusion policy、Diffuser、Diffusion Planner など - sampler 改変系の高速化（DDIM 等）や network 圧縮系も比較対象となりうる

※ 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: Gokul Puthumanaillam, Hao Jiang, Ruben Hernandez, Jose Fuentes, Paulo Padrao, Leonardo Bobadilla, Melkior Ornik

分類: cs.RO, cs.PF, cs.SY, eess.SY

原文アブストラクト

Diffusion-based trajectory planners can synthesize rich, multimodal robot motions, but their iterative denoising makes online planning and control prohibitively slow. Existing accelerations either modify the sampler or compress the network--sacrificing plan quality or requiring retraining without accounting for downstream control risk. We address the problem of making diffusion-based trajectory planners fast enough for real-time robot use without retraining the model or sacrificing trajectory quality, and in a way that works across diverse state-space diffusion architectures. Our key insight is that diffusion trajectory planners expose two signals we can exploit: a cheap probe of how their internal trajectory representation changes across steps, and analytic coefficients that describe how denoiser errors affect the sampler's state update. By calibrating the first signal against the second on offline runs, we obtain a per-step score that upper-bounds how far the final trajectory can deviate when we reuse a cached denoiser output, and we treat this bound as an uncertainty budget that we can spend over the denoising process. Building on this insight, we present Muninn, a training-free caching wrapper that tracks this uncertainty budget during sampling and, at each diffusion step, chooses between reusing a cached denoiser output when the predicted deviation is small and recomputing the denoiser when it is not. Across standard benchmarks Muninn delivers up to 4.6x wall-clock speedups across several trajectory diffusion models by reducing denoiser evaluations, while preserving task performance and safety metrics. Muninn further certifies that cached rollouts remain within a specified distance of their full-compute counterparts, and we validate these gains in real-time closed-loop navigation and manipulation hardware deployments. Project page: https://github.com/gokulp01/Muninn.

arXivで原文を読む →arXiv概要ページ

← 論文一覧