让3D扩散策略具备“趋势感”：无需显式轨迹也能预判操作方向

导语

机器人操作并不只是“看见什么就立刻怎么动”。在抓取、推、放置等连续交互中，当前可行的动作往往取决于物体和夹爪接下来会如何运动。3D扩散策略擅长从当前视觉与几何观测生成动作，但对交互趋势的利用通常是隐式的，模型需要在动作学习过程中自行摸索“下一步会发生什么”。

来自大连理工大学的研究团队提出 Movement Trend Guidance（运动趋势引导），试图在不引入显式规划轨迹的前提下，为3D扩散策略补充这种前瞻能力。相关工作以DP3为基础，保持了原有的密集动作预测和滚动时域执行方式。

核心方法

• 从短历史中提取趋势信息：模型不只读取单帧观测，而是利用一小段观测历史，学习一个紧凑的潜在表示，用来描述交互状态如何演化。
• 训练时看未来，推理时不依赖未来：训练阶段通过稀疏的未来夹爪状态监督潜变量，使其编码动作发展的方向；部署时并不需要未来状态，只使用已经从历史观测中得到的潜变量。
• 同时提供全局与局部调制：趋势潜变量作为动作生成的全局条件输入；此外，方法在UNet瓶颈位置加入一个带门控的FiLM分支，让趋势信息能够在关键特征层发挥作用。
• 保持扩散策略原有范式：研究没有把系统改造成必须先生成完整轨迹的规划器，因此仍可沿用密集动作输出和receding-horizon控制流程。

实验结果

在50任务混合训练的RoboTwin2.0设置中，加入趋势引导后的成功率为62.8%，DP3为56.1%。在LIBERO-40上，两者分别为71.93%和37.08%；在五项真实机器人任务中，结果分别为72.0%和49.0%。论文还报告称，该模块只增加了3.52%的参数量，并在RoboTwin2.0、LIBERO-40和DexArt相关评测中整体优于基础DP3。

这些结果说明，机器人策略未必需要一个逐点明确的未来轨迹，才能获得前瞻性。一个经过未来状态监督、但在部署时只以潜变量形式存在的趋势表示，也可能为动作生成提供有用的方向性信息。

意义与局限

这项工作的价值在于把“预测交互走向”和“生成具体动作”拆成了两个相互配合、但不必显式串联的部分。策略可以继续保持扩散模型的动作生成灵活性，同时借助潜变量减少只根据当前画面做局部反应的倾向。较小的参数增量也使其更容易作为现有3D扩散策略的附加模块进行验证。

不过，现有材料主要给出了方法概述和基准结果，尚未展示不同历史长度、未来监督稀疏程度或趋势表示设计之间的详细消融。因此，趋势潜变量在不同任务中的可解释性、对观测噪声的鲁棒性，以及迁移到更复杂长时程操作时的效果，仍有待进一步研究。

来源：Hugging Face Daily Papers