日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

運動計画arXiv:2607.02977

運動計画のための関数空間拡散

Function-Space Diffusion for Motion Planning

シェア:XThreadsFacebookLINEはてブBluesky

軌道を連続関数として扱い、関数空間で拡散を行うことで、解像度に依存しない運動計画を実現する手法を提案した。

詳しい要約

1. どんなもの?

本論文は、拡散モデルに基づくモーションプランナーであるFunction-Space Diffusion for Motion Planning (FSD-MP)を提案している。従来の拡散ベースのモーションプランナーは固定長のウェイポイント系列を扱うため解像度依存性があり、異なる解像度へのゼロショット一般化ができない。FSD-MPは軌道を連続関数としてモデル化し、関数空間で拡散を実行することで、離散化に依存しない軌道生成を実現する。具体的には、スペクトル領域でのモード別フォワードプロセスを定義し、Matérn型共分散を持つガウスノイズで駆動する。リバースプロセスは、境界条件に適合するDiscrete Sine Transform-based Fourier Neural Operator (DST-FNO)でパラメータ化され、異なる解像度間で開始・目標制約を保持する。2D点ロボットと7-DoF Frankaマニピュレータのベンチマークで評価し、訓練解像度での競争力のある性能と、最大16倍の解像度へのゼロショット一般化を達成した。

2. 先行研究と比べてどこがすごい?

先行研究の拡散ベースのモーションプランナーは、固定長のウェイポイント系列を生成するため、解像度に依存し、訓練解像度と異なる解像度では再訓練なしに一般化できない。FSD-MPは軌道を関数として扱い、関数空間で拡散を実行することで、離散化不変の軌道生成を実現し、ゼロショットで異なる解像度に一般化できる点が新しい。また、スペクトル領域でのモード別フォワードプロセスとMatérn型共分散の導入、境界条件を考慮したDST-FNOによるリバースプロセスのパラメータ化が独自性である。

3. 技術・手法の肝は?

手法の核は、軌道を連続関数として表現し、関数空間で拡散過程を定義すること。フォワード過程はスペクトル領域でモードごとに独立にガウスノイズを加えるが、その共分散はMatérn型で、軌道の滑らかさを制御する。リバース過程はDST-FNOでパラメータ化され、Discrete Sine Transformを用いることで開始・目標の境界条件を自動的に満たす。FNOは関数空間での演算子を学習するため、解像度に依存しない。これにより、訓練時と異なる解像度でも同じネットワークで軌道を生成できる。

4. どうやって有効だと検証した?

2D点ロボットと7-DoF Frankaマニピュレータのプランニングベンチマークで評価した。訓練解像度では既存手法と同等のプランニング性能を達成し、訓練解像度の16倍までの解像度に対してゼロショット一般化が可能であることを示した。また、解像度を変えても一貫したプランニング挙動を維持することを確認した。具体的な評価指標(成功率、計算時間など)は要旨からは不明。

5. 議論はある?

要旨からは、提案手法の限界や議論についての詳細は不明。ただし、関数空間拡散の枠組みが離散化不変のモーションプランニングに有効であると主張している。今後の課題として、より複雑な環境や高次元のロボットへの適用、計算効率の改善などが考えられるが、要旨には明記されていない。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、拡散ベースのモーションプランナー(例:Diffusion Policy)や、関数空間での拡散モデル(例:Function-Space Diffusion)に関する論文が関連する。また、FNO(Fourier Neural Operator)を用いたニューラルオペレーターの研究も関連する。具体的には、'Diffusion Policy'や'Neural Operator'に関する論文を読むことが推奨される。

※ 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: Zinuo Chang, Yipu Chen, Byoungwoo Park, Hongzhe Yu, Yongxin Chen

分類: cs.RO

原文アブストラクト

Diffusion-based motion planners have demonstrated strong performance in generating diverse and high-quality robot trajectories in cluttered environments with multiple feasible solutions. However, existing approaches typically operate on fixed-length waypoint sequences, making the learned model resolution-dependent, thereby preventing zero-shot generalization across resolutions. In this work, we propose Function-Space Diffusion for Motion Planning (FSD-MP), a diffusion-based motion planner that models trajectories as continuous functions and performs diffusion directly in function space, achieving discretization-invariant trajectory generation. We define a mode-wise forward process in the spectral domain, driven by Gaussian noise with a Mat\'ern-type covariance, and parameterize the reverse process with a boundary-compatible Discrete Sine Transform-based Fourier Neural Operator (DST-FNO) that preserves start-goal constraints across resolutions. We evaluate FSD-MP on 2D point robot and 7-DoF Franka manipulator planning benchmarks. Our method achieves competitive planning performance at the training resolution and generalizes zero-shot across resolutions up to 16$\times$ higher, preserving consistent planning behavior without retraining. These results demonstrate that function-space diffusion provides an effective framework for discretization-invariant motion planning.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI