Mamba 策略：基于混合选择状态模型的高效 3D 扩散策略
机器人学
2025-06-26 v2 计算机视觉与模式识别
摘要
扩散模型因其高效学习分布的能力，在 3D 操作领域得到广泛应用，允许精确预测动作轨迹。然而，扩散模型通常依赖大规模参数 UNet 作为策略网络，这在资源受限设备上部署具有挑战性。最近，Mamba 模型因其在序列建模中的低计算复杂度和卓越性能而成为有前景的解决方案。本文提出了 Mamba 策略，一种更轻量且更强大的策略，通过将原始策略网络的参数数量降低了 80%以上，同时实现了卓越的性能。具体而言，我们引入了 XMamba 残差块，有效整合输入信息与条件特征，并利用 Mamba 与注意力机制的组合进行深层特征提取。广泛的实验表明，Mamba 策略在 Adroit、Dexart 和 MetaWorld 数据集上表现出色，所需计算资源显著减少。此外，我们突出展示了 Mamba 策略在长期程度场景下的鲁棒性优于基线方法，并探讨了 various Mamba 变体在 Mamba 策略框架内的性能。还进行了实际实验以进一步验证其有效性。我们的开源项目页面可在 https://andycao1125.github.io/mamba_policy/ 查找。
关键词
引用
@article{arxiv.2409.07163,
title = {Mamba Policy: Towards Efficient 3D Diffusion Policy with Hybrid Selective State Models},
author = {Jiahang Cao and Qiang Zhang and Jingkai Sun and Jiaxu Wang and Hao Cheng and Yulin Li and Jun Ma and Kun Wu and Zhiyuan Xu and Yecheng Shao and Wen Zhao and Gang Han and Yijie Guo and Renjing Xu},
journal= {arXiv preprint arXiv:2409.07163},
year = {2025}
}
备注
Accepted to IROS 2025