マイケル・チェン (Michael Chen)氏らは2026年10月20日(現地時間)、論文公開サイトarXiv cs.LGで、不確実な制御実行ノイズ下での計画策定を可能にするニューラル演算子「Planning Under Noise (PUN)」を発表した。PUNは、これまで未踏だった幾何学的形状においてもノイズを考慮した価値場を学習することで、多様な環境下で信頼性の高いフィードバックポリシーを実現する。本手法は、確率的最適制御のスクリーンド・ポアソン定式化を基盤としている。
マイケル・チェン氏、ホン・チュル・ナム (Hong Chul Nam)氏、シィ・デン (Xi Deng)氏、アニマ・アナンドクマール (Anima Anandkumar)氏らの研究チームは、変化する幾何学的形状間でのナビゲーションをサポートする境界条件の指定と、信頼性の高い勾配を持つ場を効率的に計算するという二つの課題に取り組んだ。
従来のゼロ・ディリクレ障害物境界では、サンプリングされた経路が壁で終了し、長い経路に沿った目標信号が弱まるため、信頼性の高い推定が困難であった。研究チームは、この課題に対し、障害物には反射型ノイマン条件を、目標にはディリクレ条件を課す代替手法を採用した。これにより、サンプリングされた経路は目標に到達するまで自由空間を探索し続けることが可能になった。
結果として生じる偏微分方程式を構成空間メッシュなしで解くため、研究チームはモンテカルロ (MC) ソルバーであるWalk on Stars (WoSt)を、より高次元に拡張した。
PUNは、ノイズのある部分的に収束したモンテカルロラベルから幾何学的形状から場へのマッピングを学習することで、計算を償却する。このアプローチにより、各学習例に対して高価な収束計算が不要となる。推論時には、予測されたグローバルな場に導かれる制限付き局所探索が、テスト時のスケーリングに利用される。
PUNは、様々な次元の計画タスクで評価され、4つのノイズレベル全てにおいて、比較対象の全てのプランナーと同等かそれ以上の性能を示した。4次元のリプランニングベンチマークでは、95〜100%の成功率を達成し、かつ最低の実行時間を維持した。特にテストされた4次元の最高ノイズレベルでは、PUNは他の手法と比較して成功率で10.7〜60.6%の相対的向上を達成しつつ、3.29〜32.15倍高速に実行された。
参考: arXiv cs.LG — 2026年10月21日 02:58 (JST)