Generative Trajectory Stitching through Diffusion Composition
Created by
- Haebom
Category
Empty
저자
Yunhao Luo, Utkarsh A. Mishra, Yilun Du, Danfei Xu
개요
본 논문은 장기간 계획을 위한 효과적인 궤적 연결이 로봇 의사결정에서 중요한 과제임을 다룹니다. 확산 모델이 계획에 유망함을 보였지만, 훈련 데이터에서 본 것과 유사한 작업만 해결하는 데 제한적입니다. CompDiffuser는 이전에 본 작업에서 더 짧은 궤적 조각들을 조합하여 연결하는 것을 학습함으로써 새로운 작업을 해결할 수 있는 새로운 생성적 접근 방식을 제안합니다. 핵심 아이디어는 궤적 분포를 겹치는 조각으로 세분화하고 단일 양방향 확산 모델을 통해 조건부 관계를 학습하는 것입니다. 이를 통해 생성 중에 세그먼트 간에 정보가 전파되어 물리적으로 일관된 연결을 보장합니다. 다양한 난이도의 벤치마크 작업(다양한 환경 크기, 에이전트 상태 차원, 궤적 유형, 훈련 데이터 품질 포함)에 대한 실험을 수행하여 CompDiffuser가 기존 방법보다 훨씬 우수한 성능을 보임을 보여줍니다.
시사점, 한계점
•
시사점:
◦
짧은 궤적 조각들을 조합하여 장기간 계획 문제를 해결하는 새로운 생성적 접근 방식 제시.
◦
양방향 확산 모델을 이용하여 궤적 조각 간의 물리적 일관성을 유지.
◦
다양한 벤치마크 작업에서 기존 방법보다 우수한 성능을 입증.
◦
훈련 데이터의 품질에 대한 제약을 완화.
•
한계점:
◦
제시된 방법의 일반화 성능에 대한 추가적인 연구 필요.
◦
실제 로봇 시스템에 적용하기 위한 추가적인 검증 필요.
◦
극도로 복잡하거나 예측 불가능한 환경에 대한 적용성 평가 필요.
