計画/ニューラルオペレータ2026/10/20arXiv:2610.28623

ノイズ下計画のためのニューラルオペレータ

Planning under Noise with Neural Operators

反射ノイマン境界とモンテカルロ解法を拡張したニューラルオペレータで、未知形状でもノイズを考慮した価値場を学習し計画を行う手法を提案。

詳しい要約

1. どんなもの？

- 不確実な制御実行ノイズ下での計画のための neural operator「Planning Under Noise (PUN)」を提案する研究。 - 未知の geometry において noise-aware な value field を学習する。 - 確率的最適制御の screened-Poisson 定式化を基盤とする。 - 学習した global field と test-time の bounded local search を組み合わせて計画する。

2. 先行研究と比べてどこがすごい？

- 従来の zero-Dirichlet obstacle boundary は壁でサンプル経路が終了し、長経路での goal signal を弱め推定を難しくする。 - PUN は obstacle に reflecting Neumann 条件、goal に Dirichlet 条件を課し、free space の探索を継続可能にする。 - mesh 不要の Monte Carlo solver「Walk on Stars (WoSt)」を高次元へ拡張。 - 収束計算を毎回行わず、noisy で部分的に収束した MC label から geometry-to-field 写像を amortize 学習する。

3. 技術・手法の肝は？

- screened-Poisson 形式の stochastic optimal control を解く枠組み。 - obstacle に reflecting Neumann、goal に Dirichlet の境界条件を設定。 - configuration-space mesh を避けるため WoSt を高次元に拡張して PDE を解く。 - 局所 MC 揺らぎによる gradient 方向反転を避けるため、noisy・部分収束 MC label から neural operator が field を学習。 - 推論時は予測 global field に導かれた bounded local search で test-time scaling。

4. どうやって有効だと検証した？

- 複数次元の planning task で評価。 - 4つの noise level すべてで比較 planner と同等以上、4D replanning benchmark で 95-100% 成功。 - 最低 runtime を維持。 - 4D 最高 noise level で他手法比 10.7-60.6% の相対成功率改善、3.29-32.15 倍高速。

5. 議論はある？

- 局所 MC 揺らぎが推定 gradient 方向を反転させ planning 失敗を招く点を議論。 - 直接 planning は高コストな sampling を要するため、PUN は学習で計算を amortize する。 - 部分的に収束した noisy MC label の利用が鍵。 - その他の限界や議論は要旨からは不明。

6. 次に読むべき論文は？

- screened-Poisson formulation of stochastic optimal control の原論文。 - Monte Carlo solver「Walk on Stars (WoSt)」。 - neural operator 関連手法（例: Fourier Neural Operator など一般名）。 - stochastic optimal control の planning 研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Michael Chen, Hong Chul Nam, Xi Deng, Anima Anandkumar

分類: cs.LG, cs.RO

原文アブストラクト

Planning under uncertain control execution noise requires reliable feedback policies across diverse environments. We introduce Planning Under Noise (PUN), a neural operator that learns noise-aware value fields for planning in unseen geometries. Building on an established screened-Poisson formulation of stochastic optimal control, we address two challenges: specifying boundary conditions that support navigation across varying geometries and efficiently computing fields with reliable gradients. Zero-Dirichlet obstacle boundaries terminate sampled paths at walls, weakening the goal signal along long routes and making it harder to estimate reliably. We instead impose reflecting Neumann conditions on obstacles and a Dirichlet condition at the goal, allowing sampled paths to continue exploring free space until they reach the target. To solve the resulting PDE without a configuration-space mesh, we extend a Monte Carlo (MC) solver, Walk on Stars (WoSt), to higher dimensions. However, local MC fluctuations can reverse estimated gradient directions and cause planning failures, making direct planning require costly sampling. PUN amortizes this computation by learning geometry-to-field mappings from noisy, partially converged Monte Carlo labels, avoiding expensive convergence for every training example. At inference, test-time scaling uses bounded local search guided by the predicted global field. We evaluate PUN on planning tasks across dimensions. Across four noise levels, PUN matches or outperforms all compared planners, achieving 95-100% success on the 4D replanning benchmark while maintaining the lowest runtime. At the highest tested noise level in 4D, PUN achieves 10.7-60.6% relative gains in success rate over other methods while running 3.29-32.15 times faster.

arXivで原文を読む →arXiv概要ページ

← 論文一覧