高效 visuomotor 学习的 L1 样本流
机器人学
2025-11-25 v1
摘要
去噪模型，如扩散模型和流匹配，是机器人操作中关键组件，因其强大的分布拟合和扩展能力。同时，多个研究表明，简单学习目标如 L1 回归在某些任务上可实现与去噪方法相当的性能，同时具有更快的收敛速度和推理速度。在本文中，我们关注如何结合这两种范式的优势：保留去噪模型捕获多模态分布并避免模式坍缩的能力，同时实现 L1 回归目标的效率。为此，我们将原始 v-预测流匹配重新表述为带 L1 训练目标的样本预测。我们经验性地表明，多模态可通过单个 ODE 步骤表达。因此，我们提出了 L1 Flow，一种两步骤采样计划，通过单个积分步骤生成次优动作序列，然后通过单个预测重构精确动作序列。所提方法基本保留了流匹配的优势，同时将迭代神经函数评估减少到仅两个，并且缓解了直接样本回归可能导致的性能下降。我们使用各种基线和基准进行评估，包括 MimicGen 中的 8 个任务、RoboMimic 与 PushT 基准中的 5 个任务，以及一个真实世界情景中的任务。结果表明，所提方法在训练效率、推理速度和整体性能方面具有优势。
引用
@article{arxiv.2511.17898,
title = {L1 Sample Flow for Efficient Visuomotor Learning},
author = {Weixi Song and Zhetao Chen and Tao Xu and Xianchao Zeng and Xinyu Zhou and Lixin Yang and Donglin Wang and Cewu Lu and Yong-Lu Li},
journal= {arXiv preprint arXiv:2511.17898},
year = {2025}
}