조성적 확산 기반 연속 제약 해결기

초록

본 논문은 로봇 추론 및 계획에서 연속 제약 만족 문제(CCSP)를 해결하기 위한 학습 접근법을 소개한다. 기존 방법들은 주로 특정 제약 유형에 대한 수작업 엔지니어링 또는 학습 생성기에 의존하며, 다른 제약이 위반될 때 값 할당을 거부하는 방식에 초점을 맞추었다. 이와 대조적으로, 본 연구에서 제안하는 모델인 구성적 확산 연속 제약 해결기(Diffusion-CCSP)는 CCSP를 팩터 그래프로 표현하고, 개별 제약 유형에 대해 샘플링하도록 훈련된 확산 모델의 에너지를 결합함으로써 CCSP에 대한 전역적 해를 도출한다. Diffusion-CCSP는 알려진 제약들의 새로운 조합에 대해 강력한 일반화 능력을 보이며, 이산 및 연속 매개변수를 모두 포함하는 행동을 포괄하는 장기 계획을 수립하기 위해 작업 및 모션 플래너에 통합될 수 있다. 프로젝트 사이트: 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/

조성적 확산 기반 연속 제약 해결기

Compositional Diffusion-Based Continuous Constraint Solvers

초록

Support