ConFlow：フローマッチングを用いた制約誘導学習による動作生成
本論文では、微分可能なバリア関数やコスト関数、条件付きガウス過程を用いて制約情報を直接フローマッチングの訓練目的に組み込むフレームワークConFlowを提案し、ロボット動作生成における制約充足と軌道品質を向上させる。2台のロボットのナビゲーションタスクにおける実験では、標準的なフローマッチングベースラインと比較して、衝突率の低減と軌道品質の向上を示した。
最近、『ConFlow: Constraints-Guided Learning with Flow Matching for Motion Generation』と題する論文が発表され、ロボット動作生成における制約誘導学習のための新しいフレームワークConFlowが提案されました。この研究はNutan Chen、Jianxiang Feng、Marvin Alles、Botond Csekeによって行われ、RSS 2026 Workshop on Diffusion for Robot Learningに採択されました。
近年、フローマッチング（Flow Matching）はロボット動作生成における生成モデリング手法として注目されています。その基本形は常微分方程式（ODE）ベースのニューラルサンプラーであり、動作サンプルに関連する経験的流れ場を回帰することで訓練されます。しかし、ロボット動作生成では、収集データには存在しない追加の制約（例えば、障害物回避、滑らかさ、境界条件など）がしばしば存在します。現在のほとんどの手法は利用可能なデータでフローを訓練し、推論時のガイダンスによりタスク固有の制約を強制します。この訓練と推論の不整合は、生成軌道の品質低下や制約違反を引き起こす可能性があります。
この不整合に対処するため、ConFlowは制約情報を訓練目的に直接組み込む制約誘導フローマッチングフレームワークを提案します。具体的には、微分可能なバリア関数やコスト関数を用いて制約を訓練目的に統合し、モデルが訓練段階で制約を学習できるようにします。さらに、標準的なガウス源分布を条件付きガウス過程に置き換えることで、滑らかさや境界条件などの設計仕様に対処します。また、実行不可能なデモを負の教師として活用し、追加の専門家データを必要とせずに制約充足を向上させます。
2台のロボットのナビゲーションタスクにおける実験では、ConFlowは推論時のガイダンスの有無にかかわらず、標準的なフローマッチングベースラインよりも低い衝突率と高い軌道品質を達成しました。これらの結果は、生成動作モデルにおける訓練と推論のギャップを埋める効果的なアプローチとして、訓練時制約統合を検証しています。本論文のコードと論文はarXivで公開されています（arXiv:2607.14424）。