🤖 machine learning

ConFlow: Constraints-Guided Learning with Flow Matching for Motion Generation

Het artikel stelt ConFlow voor, een door beperkingen gestuurde flow-matching-framework dat taakspecifieke beperkingen direct in de trainingsdoelstelling integreert via differentieerbare functies en conditionele Gaussische processen, waardoor de kwaliteit van bewegingsgeneratie en de naleving van beperkingen worden verbeterd en de kloof tussen training en inferentie wordt gedicht zonder uitsluitend te vertrouwen op sturing tijdens de inferentie.

Oorspronkelijke auteurs: Nutan Chen, Jianxiang Feng, Marvin Alles, Botond Cseke

Gepubliceerd 2026-07-17

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nutan Chen, Jianxiang Feng, Marvin Alles, Botond Cseke

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin robots niet alleen rigide, vooraf geprogrammeerde instructies volgen, maar kunnen leren bewegen met de vloeiende gratie van een danser. Dit is de opwindende grens van robotbewegingsgeneratie, een veld waar wetenschappers machines leren hoe ze door complexe omgevingen kunnen navigeren zonder tegen muren, elkaar of zichzelf op te botsen. Lange tijd was de beste manier om een robot te onderwijzen door het duizenden perfecte voorbeelden te laten zien, zoals een meesterkok die een leerling laat zien hoe je perfect groenten snijdt. Maar wat als je slechts een paar perfecte voorbeelden hebt, of wat als de robot moet leren hoe hij iets niet moet doen (zoals crashen) net zo goed als hoe hij het wel moet doen?

Maak kennis met Flow Matching, een slimme nieuwe manier om robots te onderwijzen. Denk hierbij aan een rivier die stroomt van een rustig meer (willekeurige ruis) naar een bruisende stad (de gewenste beweging). De robot leert de "stroming" van de rivier zodat hij soepel van het meer naar de stad kan zwemmen. Meestal, als de rivier een rots raakt (een obstakel), probeert de robot er pas op het allerlaatste moment omheen te sturen terwijl hij al aan het zwemmen is. Deze tekst suggereert dat wachten tot het laatste moment riskant en inefficiënt is. Waarom de rivier zelf niet vanaf het begin rond de rotsen laten stromen?

Dit is het verhaal van ConFlow, een nieuwe methode die verandert hoe we robots leren bewegen. In plaats van robots alleen te laten zien wat de "juiste" weg is en te hopen dat ze later wel uitzoeken wat de "foute" weg is, leert ConFlow de hersenen van de robot de regels van het spel te begrijpen terwijl hij leert. Het gebruikt een speciaal soort wiskundige "kaart" genaamd een Gaussian Process om ervoor te zorgen dat de bewegingen van de robot vloeiend zijn en precies daar beginnen en eindigen waar ze moeten. Het leert ook van "slechte" voorbeelden—momenten waarop de robot crashte—om te begrijpen wat te vermijden. Het resultaat? Robots die veiliger, soepeler en beter zijn in het vermijden van botsingen, zelfs wanneer ze niet expliciet bij elke stap zijn verteld dat ze voorzichtig moeten zijn.

Het Probleem: De Paniek op het Laatste Moment

In het verleden, wanneer wetenschappers robots trainden om te bewegen, gebruikten ze een methode waarbij de robot een algemeen pad leerde en dan, vlak voordat hij bewoog, een "gids" riep: "Hé, daar is een muur! Draai naar links!" Dit wordt inference-time guidance genoemd. Het is alsoals een bestuurder leren rijden op een rechte weg en hem dan, pas wanneer hij bijna tegen een boom aanrijdt, het stuur overhandigen en roepen: "Stuur!"

Het probleem met deze aanpak is dat de hersenen van de robot (het model) niet echt getraind waren om de boom te respecteren. De robot was getraind om rechtuit te rijden, en de stuurcorrectie is een pleister die later wordt aangebracht. Dit leidt vaak tot schokkerige, onnatuurlijke bewegingen of, erger nog, de robot die in paniek raakt en crasht omdat hij de verkeersregels pas begreep toen het te laat was. Het is een mismatch tussen wat de robot op school leerde (training) en wat hij in de echte wereld moet doen (implementatie).

De Oplossing: De Regels Vanaf Dag Eén Aanleren

De auteurs van dit artikel, Nutan Chen, Jianxiang Feng, Marvin Alles en Botond Cseke, stellen ConFlow (Constraints-Guided Flow Matching) voor. In plaats van te wachten tot de robot beweegt om hem te vertellen een obstakel te vermijden, leert ConFlow de robot om obstakels te vermijden terwijl hij leert hoe hij moet bewegen.

Ze doen dit op twee manieren:

Leren van Fouten (Negatieve Supervisie):
Normaal gesproken worden robots alleen getoond met "goede" voorbeelden (perfecte paden). ConFlow is bijzonder omdat het ook kijkt naar "slechte" voorbeelden—paden waarbij de robot crashte of regels overtrad. Denk aan een student die leert voetballen. In plaats van alleen naar professionals te kijken die doelpunten scoren, kijkt de student ook naar beelden van zijn eigen fouten, zoals struikelen over de bal. Het artikel laat zien dat door de robot deze "slechte" voorbeelden te voeren, hij leert te herkennen wat hij niet moet doen. De robot leert een "constraint" (een regel) die zegt: "Als je te dicht bij een andere robot komt, duw dan weg." Deze regel wordt tijdens de training in de hersenen van de robot verankerd, en niet pas later als een pleister toegepast.
De Vloeiende Kaart (Conditional Gaussian Process):
Standaardmethoden beginnen vaak met een kaart van "willekeurige ruis", wat is als het proberen te tekenen van een perfecte cirkel door te beginnen met een chaotische krabbel en te hopen dat het glad wordt. ConFlow vervangt deze willekeurige krabbel door een Conditional Gaussian Process (GP). Stel je een elastiekje voor dat gespannen is tussen het startpunt en de finishlijn. Hoeveel je het ook heen en weer beweegt, het blijft altijd verbonden en vloeiend. Deze "elastiekjesmethode" zorgt ervoor dat het pad van de robot van nature vloeiend is en altijd op de juiste plekken begint en eindigt. Het is also wordt de robot een vooraf getekende, gladde snelweg gegeven in plaats van een rommelige onverharde weg.

Het Experiment: Twee Robots die Van Plek Wisselen

Om hun idee te testen, zetten de onderzoekers een simulatie op met twee robots in een 2D-kamer. Het doel was simpel: de robots moesten van plek wisselen. Om het lastig te maken, voegden ze een twist toe: ongeveer 30% van de trainingsdata liet de robots tegen elkaar botsen.

Ze vergeleken hun nieuwe ConFlow-methode met de oude standaard (Flow Matching met een start vanuit willekeurige ruis) en een versie die alleen "goede" voorbeelden zag. Ze testten de robots in drie scenario's:

Geen Guidance: De robot beweegt gewoon op eigen kracht.
Robot-Avoidance Guidance: De robot krijgt een duwtje om de andere robot te vermijden.
Obstacle-Avoidance Guidance: De robot krijgt een duwtje om een muur te vermijden.

De Resultaten: Vloeiender en Veiliger

De resultaten waren duidelijk. De robots die getraind waren met ConFlow botsten veel minder vaak dan de anderen.

Wanneer er geen extra guidance werd gegeven, crashte de standaardmethode ongeveer 3,1% van de tijd (0,031), terwijl ConFlow slechts 1,6% van de tijd crashte (0,016). Dit suggereert dat de robot echt heeft geleerd om botsingen te vermijden, in plaats van er alleen op het laatste moment op te reageren.
Wanneer ze guidance toevoegden, was ConFlow zelfs nog beter, met slechts 0,4% crashes vergeleken met de 2,0% van de standaardmethode.
De "vloeiendheid" van de beweging verbeterde ook drastisch. De standaardmethode produceerde schokkerige paden met veel lokale trillingen, terwijl ConFlow paden produceerde die 46% minder kans hadden op een botsing en veel vloeiender waren, met minder lokale oscillaties.

Het artikel vond ook dat het gebruik van de "slechte" voorbeelden (negatieve data) cruciaal was. Als ze alleen de "goede" voorbeelden gebruikten, deed de robot het wel oké, maar niet zo goed als wanneer hij van zijn fouten leerde. Interessant genoeg, als ze de "slechte" voorbeelden simpelweg in de standaardmethode gooiden zonder de speciale ConFlow-training, werd de robot juist slechter en raakte hij in de war door de tegenstrijdige signalen. Dit bewijst dat je niet zomaar goede en slechte data kunt mengen; je hebt een speciale manier nodig om de robot te leren hoe hij van de slechte data moet leren.

Waarom Dit Belangrijk Is

De belangrijkste les uit dit artikel is dat we de "verkeersregels" (constraints) niet als een gedachte achteraf moeten behandelen. Door veiligheid en vloeiendheid direct in het trainingsproces te verankeren en een slimme, vloeiende start te gebruiken (de Conditional Gaussian Process), kunnen robots leren om natuurlijker en veiliger te bewegen.

De auteurs suggereren dat deze aanpak de kloof overbrugt tussen wat een robot in het lab leert en wat hij in de echte wereld moet doen. Hoewel dit artikel zich richt op een simulatie van twee robots die van plek wisselen, suggereert de methode een veelbelovend pad voor het trainen van complexere robots—zoals armen die auto's assembleren of drones die door bossen vliegen—om veiliger en betrouwbaarder te worden zonder dat daar miljoenen perfecte voorbeelden voor nodig zijn. Het is een stap naar robots die niet alleen bevelen opvolgen, maar ook de geest van de regels begrijpen.

Technische Samenvatting: ConFlow – Constraints-Guided Learning met Flow Matching voor Bewegingsgeneratie

Probleemstelling

Recente vooruitgang in generatieve modellering, met name Flow Matching (FM) en diffusiemodellen, heeft geleerd-gebaseerde robotbewegingsgeneratie mogelijk gemaakt. Er bestaat echter een kritieke beperking in de huidige frameworks: de mismatch tussen het trainingsdoel en de beperkingen (constraints) die tijdens de inzet (deployment) worden afgedwongen. Huidige benaderingen trainen op beschikbare data (vaak expert-demonstraties) en vertrouwen op inference-time guidance om taakspecifieke beperkingen af te dwingen (bijv. het vermijden van obstakels). Dit creëert een "training–inference gap", waarbij de onderliggende geleerde distributie de beperkingen niet inherent kan voldoen, wat leidt tot onhaalbare of fysiek onwaarschijnlijke out-of-distribution gedragingen wanneer de guidance imperfect of niet beschikbaar is.

Bovendien lijden robotica-toepassingen vaak aan dataschaarste. Het verzamelen van grootschalige expert-demonstraties is kostbaar en arbeidsintensief. Hoewel niet-expert of negatieve demonstraties (trajecten die de beperkingen schenden) overvloedig aanwezig zijn, worden deze doorgaans weggegooid of onderbenut omdat standaard generatieve modellen moeite hebben om tussen haalbare en onhaalbare bewegingen te onderscheiden zonder expliciete supervisie.

Methodologie

Het artikel stelt ConFlow voor, een constraint-guided flow matching framework dat is ontworpen om de training–inference gap te dichten door beperkingen direct in het leerproces te integreren. De methodologie bestaat uit drie kerncomponenten:

1. Constraint-Guided Training Objective

In plaats van beperkingen alleen tijdens de sampling toe te passen, past ConFlow de standaard Flow Matching loss-functie aan door informatie over de beperkingen tijdens de training te integreren.

Mechanisme: De standaard velocity regression target $u_t$ wordt uitgebreid met een door de beperking geïnduceerde correctieterm. De loss-functie wordt:
$L_{CG} = \text{MSE}(u_\theta^t - u_t - \lambda_c M(x_1) u_t^c)$
waarbij $u_t^c = \nabla_{x_t} C(x_t)$ de gradiënt is van een differentieerbare beperkingsfunctie $C(\cdot)$ , en $M(x_1)$ een binaire indicator is die de correctie alleen activeert voor negatieve demonstraties (trajecten die de beperkingen schenden).
Beperkingsfunctie: Voor het vermijden van botsingen gebruiken de auteurs een SoftPlus formulering in plaats van ReLU-gebaseerde straffen om vloeiende gradiënten te garanderen. De functie bestraft trajecten waar de afstand tussen robots (of robotonderdelen) onder een veiligheidsradius $r$ valt.
Negatieve Supervisie: Het framework maakt gebruik van een dataset $D = D^+ \cup D^-$ , waarbij $D^-$ onhaalbare trajecten bevat. Door de correctieterm alleen voor $D^-$ te activeren, leert het model om de beperkingsschendende gedragingen te onderdrukken zonder de haalbare trajecten overmatig te regulariseren.

2. Constraint-Injected Source Distribution

Standaard Flow Matching gebruikt doorgaans een standaard Gaussische bronverdeling ( $p_0$ ), wat uitgaat van onafhankelijke ruis over traject-waypoints. Dit kan leiden tot hoogfrequente artefacten en een gebrek aan inherente gladheid.

Gaussian Process (GP) Prior: ConFlow vervangt de standaard Gaussische prior door een Conditional Gaussian Process (CGP).
Gladheid: De GP codeert temporele correlaties tussen naburige waypoints, waardoor de initiële bron-trajecten inherent vloeiend zijn.
Randvoorwaarden: De GP is geconditioneerd op de start- ( $q_{start}$ ) en doeltoestanden ( $q_{goal}$ ). Dit zorgt ervoor dat de bronverdeling $p_0$ de randvoorwaarden al voldoet, waardoor het geleerde flow zich kan concentreren op het verfijnen van de tussenliggende trajectvariaties in plaats van het corrigeren van eindpunt-mismatches.

3. Inference

In tegenstelling tot guidance-gebaseerde methoden die zware berekeningen en herhaalde gradiënt-evaluaties tijdens runtime vereisen, leert ConFlow een constraint-bewuste velocity field tijdens de training.

Standaard Sampling: Inference volgt de standaard ODE-integratie van het geleerde flow, beginnend vanaf de conditionele GP-bron.
Optionele Guidance: Hoewel het model getraind is om constraint-bewust te zijn, kan optionele inference-time guidance nog steeds worden toegepast voor extra veiligheid in uitdagende scenario's, hoewel het artikel aantoont dat het robuust is zelfs zonder dit.

Belangrijkste Bijdragen

Het artikel schetst vier primaire bijdragen:

Constraint-Guided Learning Paradigma: Een nieuwe benadering die de inference-time guidance logica overdraagt naar het trainingsobjectief, waardoor de mismatch tussen training en inzet wordt gemitigeerd.
Flow Matching Instantiatie: De integratie van een constraint-bewuste trainingsoverweging met een GP-gebaseerde bronverdeling binnen een flow matching framework.
Niet-expert Data Utilisatie: Een uitbreiding van het framework om ineffectieve demonstraties effectief te gebruiken als negatieve supervisie, wat de data-efficiëntie en generalisatie verbetert zonder dat er extra expert-data verzameld hoeft te worden.
Empirische Validatie: Validatie op een multi-robot obstakelvermijdingstaak, waarbij verbeterde constraint-naleving en bewegingskwaliteit worden aangetoond vergeleken met standaard baselines.

Experimentele Resultaten

De auteurs evalueerden ConFlow op een twee-robot navigatietaak waarbij robots van positie wisselen in een 2D-werkruimte. De dataset bevatte zowel botsingsvrije als botsingsinducerende trajecten.

Botsingspercentages: ConFlow (getraind op zowel positieve als negatieve data) behaalde de laagste robot-botsingspercentages in alle instellingen. Opvallend genoeg behaalde ConFlow, zonder enige inference-time guidance, een botsingspercentage van 0.016, wat aanzienlijk lager is dan de standaard Flow Matching baseline (0.031) en de variant die alleen op positieve data is getraind (0.043).
Robuustheid: De methode bleef robuust zelfs wanneer inference-time guidance werd uitgeschakeld, wat suggereert dat het vermijden van botsingen succesvol werd geïnternaliseerd tijdens de training.
Impact van de Bronverdeling: Het vervangen van de standaard Gaussische prior door de Conditional GP (CGP) verminderde het robot-botsingspercentage met bijna 46% (van 0.0288 naar 0.0156) en verbeterde de traject-gladheid en eindpunt-nauwkeurigheid aanzienlijk.
Nut van Negatieve Data: Terwijl het naïef mengen van positieve en negatieve data in standaard Flow Matching de prestaties verslechterde, slaagde ConFlow erin om negatieve data te benutten om de constraint-naleving te verbeteren.

Betekenis en Claims

Het artikel claimt dat ConFlow een verschuiving vertegenwoordigt van het behandelen van beperkingen als post-hoc correcties naar het structureel inbedden ervan in het generatieve model. Door zowel het trainingsobjectief als de bronverdeling gezamenlijk te ontwerpen, verkleint ConFlow effectief de training–inference gap.

De auteurs stellen dat deze benadering bijzonder significant is voor de robotica omdat:

Het de veiligheid en betrouwbaarheid verbetert door beperkingen te internaliseren, waardoor de afhankelijkheid van potentieel imperfecte inference-time guidance wordt verminderd.
Het de data-efficiëntie verhoogt door overvloedige niet-expert (negatieve) demonstraties te gebruiken, wat de bottleneck van dure expert-dataverzameling aanpakt.
Het vloeiendere, hogere kwaliteit trajecten produceert door gebruik te maken van de structurele priors van Gaussian Processes.

Het werk suggereert dat het inbedden van taakrelevante structuren direct in flow-gebaseerde generatieve modellen een veelbelovende richting is voor veiligere en meer capabele robotbewegingsgeneratie. Toekomstig werk wordt voorgesteld om dit uit te breiden naar systemen met hogere dimensies (bijv. gelede manipulatoren) en real-world platforms.