高效任务特定条件扩散策略：快捷模型加速与 SO(3) 优化
群论
2025-04-15 v1 动力系统
摘要
仿真学习，特别是基于扩散策略的方法，最近在具身 AI 中获得了广泛关注，因其是一种强大的行动策略生成方法。然而，传统的扩散策略方法依赖于迭代去噪，导致推理效率低下和响应速度慢，阻碍了实时机器人控制。为此，我们提出了一种带分类器自由指导的快捷扩散策略（CF-SDP），集成分类器自由指导与快捷加速，实现了任务特定的高效行动生成，同时显著提高了推理速度。此外，我们将扩散建模扩展到 SO(3) 流形的快捷模型中，在其切空间中定义前向和逆向过程，并采用各向同性高斯分布。这确保了稳定准确的旋转估计，增强了基于扩散的控制效果。我们的方法在扩散推理速度上几乎实现了对 DDIM 基于扩散策略的 5 倍加速，同时保持了任务性能。在 RoboTwin 模拟平台和真实场景下的各种任务评估表明，我们的方法优于现有方法。
引用
@article{arxiv.2504.09926,
title = {Quotients of Poisson boundaries, entropy, and spectral gap},
author = {Samuel Dodds and Alex Furman},
journal= {arXiv preprint arXiv:2504.09926},
year = {2025}
}
备注
38 pages