Newest papers

Planning under Noise with Neural Operators

Michael Chen, Hong Chul Nam, Xi Deng, Anima Anandkumar · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28623 · open-access PDF

Indonesian

Perencanaan di bawah kebisingan eksekusi kontrol yang tidak pasti membutuhkan kebijakan umpan balik yang dapat diandalkan di berbagai lingkungan. Kami memperkenalkan Perencanaan di bawah kebisingan (PUN), operator saraf yang mempelajari bidang nilai yang menyadari kebisingan untuk perencanaan dalam geometri yang tidak terlihat. Berdasarkan formulasi Poisson yang telah mapan tentang kontrol optimal stochastic, kami mengatasi dua tantangan: menentukan kondisi batas yang mendukung navigasi di berbagai geometri dan secara efisien menghitung bidang dengan gradient yang dapat diandalkan. batas hambatan Zero-Dirichlet mengakhiri jalur sampel di dinding, melemahkan sinyal tujuan di sepanjang l

Machine translation (Meta M2M100); the English original follows.

Abstract

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

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange