Denoising Heat-inspired Diffusion with Insulators for Collision Free Motion Planning

要約

拡散モデルは、その柔軟性とマルチモダリティにより、ロボット工学における強力なツールとして台頭してきた。これらの手法の中には、複雑な問題に効果的に対処するものもあるが、推論時間中の障害物検出に大きく依存することが多く、追加の装置を必要とする。このような課題に対処するため、我々は、推論時間中に、到達可能なゴールのみを生成し、障害物を回避する動作を計画する、全て単一の視覚入力から同時に行う手法を提示する。本アプローチの中心は、学習に衝突回避拡散カーネルを用いるという新しい手法である。行動クローニングや古典的な拡散モデルに対する評価を通じて、我々のフレームワークの頑健性が証明された。特にマルチモーダル環境において効果的であり、衝突回避を確保しながら、障害物に遮られたゴールに向かってナビゲートし、到達不可能なゴールを回避する。

要約(オリジナル)

Diffusion models have risen as a powerful tool in robotics due to their flexibility and multi-modality. While some of these methods effectively address complex problems, they often depend heavily on inference-time obstacle detection and require additional equipment. Addressing these challenges, we present a method that, during inference time, simultaneously generates only reachable goals and plans motions that avoid obstacles, all from a single visual input. Central to our approach is the novel use of a collision-avoiding diffusion kernel for training. Through evaluations against behavior-cloning and classical diffusion models, our framework has proven its robustness. It is particularly effective in multi-modal environments, navigating toward goals and avoiding unreachable ones blocked by obstacles, while ensuring collision avoidance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL