Constraint-Aware Diffusion Guidance for Robotics: Real-Time Obstacle Avoidance for Autonomous Racing

要約

拡散モデルは、複雑で高次元のデータ分布をキャプチャする能力により、ロボット工学の大きな可能性を秘めています。
ただし、制約の認識が不足しているため、安全性の高いアプリケーションでの展開が制限されます。
制約対応の拡散ガイダンス（CODIG）を提案します。これは、バリア関数を除去プロセスに統合するデータ効率の良い汎用フレームワークであり、制約に満足する出力に向けてサンプリングをガイドすることを提案します。
CODIGは、限られたトレーニングデータでも制約の満足度を可能にし、タスク全体で一般化します。
リアルタイムの障害物回避が不可欠なミニチュア自律レースの挑戦的な設定でフレームワークを評価します。
実際の実験は、CODIGが動的条件下で安全な出力を効率的に生成し、より広範なロボットアプリケーションの可能性を強調することを示しています。
デモビデオはhttps://youtu.be/knystdtdxouで入手できます。

要約(オリジナル)

Diffusion models hold great potential in robotics due to their ability to capture complex, high-dimensional data distributions. However, their lack of constraint-awareness limits their deployment in safety-critical applications. We propose Constraint-Aware Diffusion Guidance (CoDiG), a data-efficient and general-purpose framework that integrates barrier functions into the denoising process, guiding diffusion sampling toward constraint-satisfying outputs. CoDiG enables constraint satisfaction even with limited training data and generalizes across tasks. We evaluate our framework in the challenging setting of miniature autonomous racing, where real-time obstacle avoidance is essential. Real-world experiments show that CoDiG generates safe outputs efficiently under dynamic conditions, highlighting its potential for broader robotic applications. A demonstration video is available at https://youtu.be/KNYsTdtdxOU.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google