论文页面 - 无需显式轨迹的3D扩散策略前瞻学习

来源：https://huggingface.co/papers/2609.20669

摘要

3D扩散策略擅长从当前观测中生成几何感知的动作，但成功的机械操作不仅需要知道当前可行的运动，还需要预判交互的后续发展。现有策略大多将这种前瞻性隐式地寄托于动作学习过程。我们引入了运动趋势引导（Movement Trend Guidance），这是一种简单有效的方法，能在不引入显式规划的前提下提供这种前瞻性。策略从短暂的观测历史中，学习交互演化的紧凑隐空间表征。训练时，稀疏的未来抓取器状态监督该表征的学习；推理时，仅保留该隐变量作为面向未来的条件，与当前观测一同输入。隐变量为动作生成提供全局条件约束，而额外的门控FiLM分支仅用于UNet的瓶颈层。尽管仅在DP3基础上增加3.52%的参数，本方法保留了原始的密集动作与滚动时域设计，并在RoboTwin 2.0、LIBERO-40和DexArt任务上持续优于DP3。在50任务的RoboTwin 2.0混合训练中达到62.8%（对比基线56.1%），在LIBERO-40上达到71.93%（对比37.08%），在五个真实机器人任务上达到72.0%（对比49.0%）。这些结果表明，扩散策略能从“知晓交互走向何处”的信息中显著获益，而无需明确指定移动目标。

查看arXiv页面 (https://arxiv.org/abs/2609.20669) 查看PDF (https://arxiv.org/pdf/2609.20669) 项目页面 (https://github.com/zhangzhongbo2213/movement-trend-guidance) GitHub (https://github.com/zhangzhongbo2213/movement-trend-guidance) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.20669)

通过智能体获取本文： hf papers read 2609\.20669 尚未安装最新CLI？请执行 curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

无模型链接本文

在模型README.md中引用 arxiv.org/abs/2609.20669 以从本页面链接。

引用本文的数据集0

无数据集链接本文

在数据集README.md中引用 arxiv.org/abs/2609.20669 以从本页面链接。

引用本文的Spaces0

无Space链接本文

在Space README.md中引用 arxiv.org/abs/2609.20669 以从本页面链接。

包含本文的收藏0

无收藏包含本文

将本文添加到收藏 (https://huggingface.co/new-collection) 以从本页面链接。