基于先验校正正交信任域引导的流动动作分块策略
机器人学
2026-05-26 v1 机器学习
摘要
流动匹配机器人策略常用于动作分块推断，以实现高效闭环控制，但分块边界可能引入动作转换的不连续性。现有的 RTC 引导通过在去噪期注入校正信号来提高连续性，但其权重计划在中期时间步较弱，且其不受约束的校正方向可能引入横向扰动。我们提出了 POTR，即 **p**rior-corrected **o**rthogonal **t**rust-**r**egion 引导方法。首先，我们将数据先验尺度 纳入 RTC 引导权重中，以获得更强的中期校正。其次，我们将引导向量分解为与去噪速度平行和垂直的分量，并约束垂直分量在信任域内。在 LIBERO 上的 测试中，POTR 在成功率上提高，并持续降低分块边界处的不连续性、加速度和 jerk。消融实验表明，先验校正权重提供了主要的校正收益，而正交信任域进一步提高了稳定性。
引用
@article{arxiv.2605.24433,
title = {Smoother Action Chunking Flow Policy via Prior-Corrected Orthogonal Trust-Region Guidance},
author = {Kai Fang and Hailong Pei and Xuemin Chi},
journal= {arXiv preprint arXiv:2605.24433},
year = {2026}
}