PerFACT：基于 LLM 驱动数据集合成与融合动作分块 Transformer 的运动策略
机器人学
2025-12-04 v1 系统与控制
系统与控制
摘要
深度学习方法通过利用规划数据集中的先验经验，显著增强了机器人操纵器的运动规划。然而，最先进的神经运动规划器主要在手动生成的工作空间中收集的小数据集上进行训练，限制了其分布外场景的泛化能力。此外，这些规划器通常依赖单体网络架构，难以编码关键的规划信息。为应对这些挑战，我们提出了 PerFACT——一种结合 LLM 驱动数据集合成与融合动作分块 Transformer（Fusion Action-Chunking Transformers）的运动策略，包含两个关键组件。首先，一种新颖的 LLM 驱动工作空间生成方法 MotionGeneralizer，通过生成语义可行的工作空间集合实现大规模规划数据采集。其次，我们引入了融合运动策略网络（MpiNetsFusion），一种通用神经运动规划器，使用融合动作分块 Transformer 更好地编码规划信号并关注多种特征模态。利用 MotionGeneralizer，我们收集了 3.5M 条轨迹来训练和评估 MpiNetsFusion，结果表明所提出的 MpiNetsFusion 在评估任务上的规划速度可快数倍。
引用
@article{arxiv.2512.03444,
title = {PerFACT: Motion Policy with LLM-Powered Dataset Synthesis and Fusion Action-Chunking Transformers},
author = {Davood Soleymanzadeh and Xiao Liang and Minghui Zheng},
journal= {arXiv preprint arXiv:2512.03444},
year = {2025}
}