EAPN: 面向生成式机器人策略异步重规划的执行对齐渐进噪声

摘要

本文提出执行对齐渐进噪声（EAPN），用于生成式机器人策略的连续异步重规划。独立随机初始化会造成动作块间模式切换与续接不一致。EAPN 在块间和块内引入结构化随机性：跨重规划步骤传播共享噪声轨迹并与实际执行位移对齐，建立执行对齐的块间相关性；块内则建模沿动作时间的时间相关性。对齐后的随机历史与已执行动作上下文结合以条件化后续生成，使新块从执行一致状态续接，而非从独立噪声重启。研究在 D3IL、Kinetix、LIBERO 和真实机器人操作任务上评估：D3IL 上多模态行为一致性提升，Kinetix 平均成功率为 88.59%；LIBERO 在长推理延迟下保持稳健；真实机器人 Object Storage 与双臂 Cloth Folding 成功率分别为 90.0% 和 96.7%。