拡散モデル/ナビゲーション/制御2026/5/1arXiv:2605.29937

フィッシャー保存ガイダンス：安全な拡散制御のための学習不要の多様体制約

Fisher-Preserving Guidance: Training-Free Manifold Constraints for Safe Diffusion Control

拡散モデルによる軌道予測で、学習データの多様体から外れる更新を防ぐ学習不要の推論手法を提案し、ナビゲーションや操作タスクで性能を向上させた。

詳しい要約

1. どんなもの？

- 拡散モデルを用いた視覚ナビゲーションにおけるwaypoint予測のための、訓練不要な推論時ガイダンス手法。 - Fisher Preserving Guidance with Outer Product Span Projectionを提案。 - タスク目的を最適化しつつ、off-distributionな行動によるFisher driftを回避。 - 低ランクJacobian分解により、1ステップあたり1回の逆伝播でリアルタイム実行可能。 - Truncated Fisher Denoising Sensitivityを不確実性信号として導入し、マルチサンプル行動ブレンディングに利用。

2. 先行研究と比べてどこがすごい？

- 標準的なサンプリングやtest time guidanceは、更新が訓練多様体から外れると信頼性・効率が低下する問題があった。 - 提案手法は訓練不要で、off-distribution行動に伴う大きなFisher driftを回避。 - 追加訓練なしで、強力なdiffusion-policyベースラインを一貫して上回る性能を実現。 - 1回の逆伝播でリアルタイム性を確保し、計算効率が高い。

3. 技術・手法の肝は？

- Fisher-preserving updateを低ランクJacobian分解で計算。 - Outer Product Span Projectionにより、更新を訓練多様体上に制約。 - タスク目的の最適化とFisher driftの抑制を両立。 - Truncated Fisher Denoising Sensitivityを不確実性指標として算出し、ロバストなマルチサンプル行動ブレンディングを実施。

4. どうやって有効だと検証した？

- トイおよびリアルなナビゲーションベンチマークで実験。 - Maze2D with TSDF-based guidance、PushT with official Diffusion Policy weights、シミュレーションおよび実ロボットでの視覚ナビゲーションを評価。 - 追加訓練なしで、強力なdiffusion-policyベースラインに対する一貫した性能向上を確認。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- Diffusion Policy - Maze2D - PushT - TSDF-based guidance - test time guidance - Fisher drift

※ 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: Hao Ren, Zetong Bi, Yiming Zeng, Le Zheng, Zhi Li, Zhaoliang Wan, Lu Qi, Hui Cheng

分類: cs.RO, cs.LG

原文アブストラクト

Diffusion models are effective for waypoint prediction in visual navigation, but standard sampling and test time guidance can produce unreliable or inefficient trajectories when updates drift off the training manifold. We propose Fisher Preserving Guidance with Outer Product Span Projection, a training-free inference method that avoids large Fisher drift associated with off-distribution actions while optimizing a task objective. Our method computes the Fisher-preserving update via a low-rank Jacobian factorization, requiring only a single backward pass per step and enabling real-time use. We further introduce Truncated Fisher Denoising Sensitivity as an uncertainty signal and use it for robust multi-sample action blending. Experiments on toy and realistic navigation benchmarks, including Maze2D with TSDF-based guidance, PushT with official Diffusion Policy weights, and visual navigation in simulation and on real robots, demonstrate consistent improvements in performance over strong diffusion-policy baselines without additional training.

arXivで原文を読む →arXiv概要ページ

← 論文一覧