2602.07322

paper

Motivation

1. 从零开始去噪需要大量的迭代次数, 推理延迟高
2. 忽略了物理连续性, 以及历史执行数据的先验信息
3. 低维的本体感知信号与高维的视觉表征直接拼接, 会稀释本体感知信号

Methods

1. 将历史的action chunk经过多个 1D-CNN 构成的 Encoder 投影到512dim, 作为起点$z_0$
2. 将视觉信号经过 ResNet18 提取特征, 然后经过 Linear 层投影得到512dim, 作为条件$c$
3. 将$z_0$作为起点, 经过 AdaLN-MLP 架构的FlowNet, 注入条件$c$ (注入给AdaLN), 经过去噪得到目标$z_1$
4. 将$z_1$送入 残差MLP 进行解码, 得到最终的action chunk