AITOP

扩散策略

共 3 条相关 AI 资讯
7月21日
10:51
10:51官方账号arXiv cs.AI@Zihao He, Hongjie Fang, Shirun Tang, Cewu Lu, Haoshu Fang
LAG-Fusion提出一种延迟感知指导融合框架，用于异步多模态扩散策略组合。该框架允许不同模态的策略以各自原生推理速率运行，并在可用时贡献去噪指导。通过推导扩散变量在相对动作表征下的参考帧重基规则，实现延迟指导在融合前的对齐。在接触丰富操作任务中，低频视觉策略与高频力觉策略的异质延迟实验显示，LAG-Fusion相比同步融合和专门设计的力感知基线，提升了策略响应速度和任务性能。
论文LAG-Fusion多模态扩散策略
推荐理由：一篇关于多模态机器人模仿学习的论文，提出LAG-Fusion解决不同传感器速率不同的异步融合问题，实验证明比同步融合更高效。
原文
6月17日
10:43
10:43官方账号arXiv cs.AI@Lekan Molu
精选
这篇论文提出用向后Kolmogorov方程将扩散策略提升至Cameron-Martin空间，以确定性PDE替代随机分数匹配。在PushT操作基准上，Cameron-Martin损失使最大回合奖励提升17%（0.95 vs 0.78），推理时步间漂移降低67.6%。在6站CONWIP制造线上，RMSE较LSTM降低28.4%，饥饿事件召回率达1.0，瓶颈识别Precision@1=1.0，信噪比13倍。结合Hamilton-Jacobi可达性理论，死锁事件减少96%（351次预防）。方法提供收敛保证、轨迹规整性和无奖励信号的故障检测。
论文Kolmogorov回归扩散策略Cameron-Martin空间
推荐理由：这篇论文用Kolmogorov方程改进了扩散策略，在PushT和制造线上奖励提升17%、漂移减少67%，还能做故障检测，比普通扩散方法靠谱。
原文
6月11日
11:04
11:04官方账号arXiv cs.AI@Adam Wei, Nicholas Pfaff, Thomas Cohn, Arif Kerem Dayı, Constantinos Daskalakis, Giannis Daras, Russ Tedrake
精选72°
机器人领域的高质量任务数据昂贵且难以收集，而次优数据（低质量或分布外演示）却大量存在。现有方法在同时训练两类数据时，常无法区分次优样本中的有用和有害特征。Ambient Diffusion Policy 通过引入噪声依赖的数据使用策略，仅在高和低扩散时间步利用次优数据，从而提取有用特征。该方法基于机器人动作数据的频谱幂律分布，利用全局到局部层次和局部性两个性质。在六项任务上，针对四种次优数据（噪声轨迹、仿真到现实差距、任务不匹配、大规模数据混合），该方法均有效，并在 Open X-Embodiment 数据集上比现有方法提升高达33%。
论文机器人模仿学习扩散策略
推荐理由：机器人团队终于有了一个能高效利用次优数据的实用方法——Ambient Diffusion Policy 解决了低质量数据难以训练的问题，做机器人模仿学习的开发者可以直接在现有数据集上尝试，有望大幅降低数据收集成本。
原文