構成拡散に基づく連続制約ソルバー

要旨

本論文では、ロボットの推論と計画における連続制約充足問題（CCSP）を解決するための学習アプローチを紹介する。従来の手法は、特定の制約タイプに対して手動で設計された生成器や学習された生成器に依存し、他の制約が違反された場合に値の割り当てを拒否するものが主流であった。これに対し、我々のモデルである構成拡散連続制約ソルバー（Diffusion-CCSP）は、CCSPを因子グラフとして表現し、個々の制約タイプに対してサンプリングを行うように訓練された拡散モデルのエネルギーを組み合わせることで、CCSPに対するグローバルな解を導出する。Diffusion-CCSPは、既知の制約の新たな組み合わせに対して強い汎化性能を示し、離散パラメータと連続パラメータの両方を含むアクションを組み込んだ長期的な計画を立案するタスク・モーションプランナーに統合することが可能である。プロジェクトサイト: https://diffusion-ccsp.github.io/

English

This paper introduces an approach for learning to solve continuous constraint satisfaction problems (CCSP) in robotic reasoning and planning. Previous methods primarily rely on hand-engineering or learning generators for specific constraint types and then rejecting the value assignments when other constraints are violated. By contrast, our model, the compositional diffusion continuous constraint solver (Diffusion-CCSP) derives global solutions to CCSPs by representing them as factor graphs and combining the energies of diffusion models trained to sample for individual constraint types. Diffusion-CCSP exhibits strong generalization to novel combinations of known constraints, and it can be integrated into a task and motion planner to devise long-horizon plans that include actions with both discrete and continuous parameters. Project site: https://diffusion-ccsp.github.io/

構成拡散に基づく連続制約ソルバー

Compositional Diffusion-Based Continuous Constraint Solvers

要旨

Support