Efficient Trajectory Forecasting and Generation with Conditional Flow Matching

要約

軌道の予測と生成は、動的環境における自律ロボットにとって重要です。
従来の研究は通常、予測または生成のいずれかに焦点を当てていましたが、私たちのアプローチはこれらのタスクを統合して、汎用性の高いフレームワークを提供し、最先端のパフォーマンスを実現します。
拡散モデルは軌道生成には優れていますが、反復サンプリング プロセスは計算量が多く、ロボット システムの動的能力を妨げます。
効率的かつ高速な軌道生成のためにソルバーの時変ベクトル場を学習するフロー マッチング技術を使用した新しいアプローチである軌道条件付きフロー マッチング (T-CFM) を紹介します。
T-CFM は、敵対的追跡、現実世界の航空機の軌道予測、長期計画において有効性を実証し、予測精度が 35% 向上し、計画パフォーマンスが 142% 向上し、最先端のベースラインを上回ります。
重要なのは、T-CFM は精度を犠牲にすることなく、拡散モデルと比較して最大 100$\times$ の高速化を実現し、ロボット工学におけるリアルタイムの意思決定を可能にします。
コードベース: https://github.com/CORE-Robotics-Lab/TCFM

要約(オリジナル)

Trajectory prediction and generation are crucial for autonomous robots in dynamic environments. While prior research has typically focused on either prediction or generation, our approach unifies these tasks to provide a versatile framework and achieve state-of-the-art performance. While diffusion models excel in trajectory generation, their iterative sampling process is computationally intensive, hindering robotic systems’ dynamic capabilities. We introduce Trajectory Conditional Flow Matching (T-CFM), a novel approach using flow matching techniques to learn a solver time-varying vector field for efficient, fast trajectory generation. T-CFM demonstrates effectiveness in adversarial tracking, real-world aircraft trajectory forecasting, and long-horizon planning, outperforming state-of-the-art baselines with 35% higher predictive accuracy and 142% improved planning performance. Crucially, T-CFM achieves up to 100$\times$ speed-up compared to diffusion models without sacrificing accuracy, enabling real-time decision making in robotics. Codebase: https://github.com/CORE-Robotics-Lab/TCFM

arxiv情報

提供元, 利用サービス

arxiv.jp, Google