一、文章主要内容总结
该研究针对现有扩散规划(Diffusion Planning)方法决策频率低、难以满足实时应用需求的问题,提出了轻量级框架DiffuserLite。核心思路是通过规划细化过程(PRP) 实现“粗到细”的轨迹生成,减少冗余信息建模,在保证性能的同时大幅提升决策速度。
1. 核心背景与问题
- 扩散模型在决策任务中表现出色(如长时域轨迹生成),但现有方法(如Diffuser、DD)因需迭代采样长时域轨迹,决策频率极低(仅0.4-1.3Hz),无法满足实时机器人控制、游戏AI等场景需求。
- 关键发现:长时域轨迹的远端细节存在大量冗余,且智能体往往难以抵达规划的远端状态,无需对完整长轨迹进行建模。
2. 核心方案:DiffuserLite框架
- 规划细化过程(PRP):分L个层级逐步细化轨迹。先通过“跳跃式规划”生成间隔较远的关键状态(粗粒度),再聚焦当前状态附近的步骤填充细节(细粒度),最终提炼执行动作。
- 架构设计:
- 骨干网络:采用DiT(Transformer变体)替代常用的UNet,适配短序列生成;支持扩散模型、整流流(Rectified Flow)等多种骨干,进一步提升速度。
- 条件采样:使用无分类器引导(CFG)避免额外计算,提升效率。
- Critic设计:支持累积奖励、折扣奖励+终端状态
订阅专栏 解锁全文
1965



被折叠的 条评论
为什么被折叠?



