Michael Chen, Hong Chul Nam, Xi Deng, Anima Anandkumar · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28623 · open-access PDF
La planification sous un bruit d'exécution de contrôle incertain nécessite des politiques de rétroaction fiables dans divers environnements. Nous présentons Planning Under Noise (PUN), un opérateur neuronal qui apprend les champs de valeur conscients du bruit pour la planification dans des géométries invisibles. Sur la base d'une formulation établies par Poisson de contrôle optimal stochastique, nous abordons deux défis: spécifier des conditions limites qui soutiennent la navigation à travers différentes géométries et calculer efficacement des champs avec des gradients fiables.
Machine translation (Meta M2M100); the English original follows.
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 l
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28623, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange