因子化扩散策略：单一评分网络下的组合化广义机器人控制
机器学习
2026-05-22 v1
摘要
机器人任务通常由因子元组指定，例如要抓取的对象、要规避的障碍物、目标颜色等。为每一种因子取值收集专家演示的需求随因子基数之乘积而呈指数增长。我们提出因子化扩散策略：采用单一共享扩散网络训练，采用每个因子上的空值 dropout，其评分在推断时沿因子加法分解。基于给定动作-观测对的因子之间近似条件独立性，这一组合对真实联合评分具有均匀误差界的近似。此特性将训练任务预算从因子基数之积降低至之和。轨迹管道证书将此评分级误差界通过逆时间采样 ODE 与收缩跟踪控制器链式传递至闭环状态轨迹管道，其半径分解为 ODE 感性常数与各因子评分误差预算。与为控制组合化扩散的方法不同后者组合各专用网络，我们使用单一网络。无人机赛跑实验验证了广义界限与证书。对于基于状态的多闸门赛跑，因子化策略通过 90% 的保留闸门——匹配预言者——而 K 网络组合基线坍塌至 3%；对于基于视觉的单闸门遍历，其在零-shot 条件下可无缝迁移至未见场所，实现 +11.7pp 的成功率提升与 2.4 倍的坠毁率降低。
引用
@article{arxiv.2605.22596,
title = {Factored Diffusion Policies:Compositionally Generalized Robot Control with a Single Score Network},
author = {Sayan Mitra and Ege Yuceel and Noah Giles and Abhishek Pai},
journal= {arXiv preprint arXiv:2605.22596},
year = {2026}
}