不要误信噪声：瓦解生成式机器人控制的神话
机器人学
2026-02-24 v3 机器学习
摘要
生成模型，如流模型和扩散模型，最近在机器人领域成为备受推崇且高效的策略参数化方法。关于其成功背后的因素，已有大量猜测，从捕获多模态动作分布到表达更复杂的行为。本文对流行的生成式控制策略（GCP）在常规行为克隆（BC）基准测试上的表现进行了全面评估。我们发现，GCP的成功并不源于其捕获多模态性或表达更复杂观察到动作映射的能力。相反，我们发现其优势源于迭代计算，只要在训练期间对中间步骤进行监督，并且这种监督伴随适当的随机性。为验证我们的发现，我们展示，一种最小迭代策略（MIP），即一种轻量级的两步回归策略，几乎能匹配流类GCP的性能，甚至常常超过蒸馏的快速模型。我们的结果表明，GCP的分布拟合成分比人们通常所想的更不突出，指向仅关注控制性能的新设计空间。项目页面：https://simchowitzlabpublic.github.io/much-ado-about-noising-project/
引用
@article{arxiv.2512.01809,
title = {Much Ado About Noising: Dispelling the Myths of Generative Robotic Control},
author = {Chaoyi Pan and Giri Anantharaman and Nai-Chieh Huang and Claire Jin and Daniel Pfrommer and Chenyang Yuan and Frank Permenter and Guannan Qu and Nicholas Boffi and Guanya Shi and Max Simchowitz},
journal= {arXiv preprint arXiv:2512.01809},
year = {2026}
}