通过 Koopman 结构偏置实现谱分离的生成式控制策略 KoopmanFlow
机器人学
2026-03-17 v1
摘要
生成式控制策略（GCP）在机器人操作中展现出巨大的潜力，但在同时建模稳定的全局运动和高频局部校正方面存在挑战。虽然现代体系结构提取多尺度空间特征，但其 underlying Probability Flow ODEs 采用统一的时间积分计划。压缩到单个步骤用于实时 Receding Horizon Control（RHC），统一 ODE 求解器在数学上平滑了稀疏的、高频瞬态，这些瞬态被低频稳态所 entangled。为在不堆积管道错误的情况下对这些动力学进行解耦，我们引入 KoopmanFlow，这是一种受 Koopman 结构诱导偏置驱动的参数高效生成式策略。在统一的多模态潜在空间中 operating with visual context，KoopmanFlow 在终端阶段进行分支生成。由于视觉条件发生在谱分解之前，两个分支都受视觉引导但在时间上具有专门性。一个宏观分支通过 single-step Consistency Training 锚定慢变化轨迹，而一个瞬态分支使用 Flow Matching 来隔离由突发视觉线索（如接触或遮挡）刺激的高频残差。受明确的谱先验驱动，通过 novel 非对称一致性目标进行优化，KoopmanFlow 建立了一个 fused co-training 机制。这使得 variant 分支能够在不产生多阶段误差积累的情况下吸收局部动力学。广泛的实验表明，KoopmanFlow 在需要快速扰动抑制的接触丰富任务中显著优于最先进的基线。通过为更丰富的结构先验让渡剩余延迟缓冲，KoopmanFlow 在实时部署限制内实现了更高的控制保真度和参数效率。
关键词
引用
@article{arxiv.2603.13781,
title = {KoopmanFlow: Spectrally Decoupled Generative Control Policy via Koopman Structural Bias},
author = {Chengsi Yao and Ge Wang and Kai Kang and Shenhao Yan and Jiahao Yang and Fan Feng and Honghao Cai and Xianxian Zeng and Rongjun Chen and Yiming Zhao and Yatong Han and Xi Li},
journal= {arXiv preprint arXiv:2603.13781},
year = {2026}
}