NLP Sampling: Combining MCMC and NLP Methods for Diverse Constrained Sampling

要約

困難な制約条件下で多様なサンプルを生成することは、多くの分野における中心的な課題である。本研究では、MCMC、制約条件付き最適化、ロボット工学の各分野の手法を統合する視点と枠組みを提供し、経験的評価からその長所を洞察することを目的とする。我々は、一般的な問題定式化としてNLPサンプリングを提案し、各分野の手法を統合する枠組みとして再スタート二相法ファミリーを提案し、解析的問題とロボット操作計画問題でそれらを評価する。また、ラグランジュパラメータの役割、グローバルサンプリング、拡散NLPのアイデア、モデルベースのノイズ除去サンプラーなど、概念的な議論も行う。

要約(オリジナル)

Generating diverse samples under hard constraints is a core challenge in many areas. With this work we aim to provide an integrative view and framework to combine methods from the fields of MCMC, constrained optimization, as well as robotics, and gain insights in their strengths from empirical evaluations. We propose NLP Sampling as a general problem formulation, propose a family of restarting two-phase methods as a framework to integrated methods from across the fields, and evaluate them on analytical and robotic manipulation planning problems. Complementary to this, we provide several conceptual discussions, e.g. on the role of Lagrange parameters, global sampling, and the idea of a Diffused NLP and a corresponding model-based denoising sampler.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL