🤖 AI

FODMP: Fast One-Step Diffusion of Movement Primitives Generation for Time-Dependent Robot Actions

本文提出了 FODMP 框架，通过将扩散模型蒸馏至动态运动基元（ProDMPs）参数空间并采用单步解码，在保留时间依赖运动结构的同时显著降低了推理延迟，实现了比现有方法快数倍且能胜任高速实时拦截任务的机器人动作生成。

原作者： Xirui Shi, Arya Ebrahimi, Yi Hu, Jun Jin

发布于 2026-03-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Xirui Shi, Arya Ebrahimi, Yi Hu, Jun Jin

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种名为 FODMP 的新方法，旨在解决机器人在做动作时“想得快”和“动得准”之间的矛盾。

为了让你更容易理解，我们可以把机器人做动作想象成一位钢琴家演奏乐曲，或者一位司机开车。

1. 核心问题：机器人太“短视”或太“慢”

目前的机器人控制主要有两种流派，但都有缺点：

流派 A：动作分块（Action Chunking）
- 比喻：就像司机开车时，只盯着前方 1 米的路，每走一步才决定下一步往哪打方向盘。
- 优点：反应极快，算得很快。
- 缺点：缺乏大局观。它无法规划出流畅的“加速 - 减速”曲线。就像司机只能急停急走，无法优雅地接住一个飞来的球，因为动作太生硬、太短视了。
流派 B：动作原语扩散（MPD）
- 比喻：就像一位钢琴家，在弹每一个音符前，都要先在脑海里把整首曲子的乐谱（包含所有音符的强弱、快慢）反复推演几十遍，确认无误后才动手。
- 优点：动作非常优雅、流畅，能完美处理复杂的“加速 - 减速”节奏。
- 缺点：太慢了！等它推演完，球早就飞过去了。这种“深思熟虑”在需要实时反应的场景（比如接球）里根本来不及。

现在的困境是：要么快但动作僵硬（流派 A），要么动作优雅但慢得像蜗牛（流派 B）。

2. FODMP 的解决方案：给机器人装上“直觉”

FODMP 的核心思想是：保留流派 B 的优雅规划能力，但拥有流派 A 的闪电速度。

它是如何做到的呢？这里有两个关键概念：

概念一：把动作变成“乐谱参数”（ProDMPs）

传统的机器人控制是直接输出“向左转 5 度，再向前 1 厘米”。
FODMP 则不同，它不直接输出动作，而是输出一套“乐谱参数”（比如：这是一首关于“接球”的曲子，参数包括：起速多快、何时开始减速、在哪个点停止）。

比喻：它不再是一个个笨拙地挪动手指，而是直接告诉机器人：“请演奏一首‘接球’的曲子”。一旦参数确定，机器人就能自动生成完美的加速和减速过程。

概念二：一步到位的“直觉”（Consistency Distillation）

这是 FODMP 最厉害的地方。

传统方法（流派 B）：像解数学题，需要一步步推导（去噪过程），从混乱到清晰，要走 10 到 50 步才能得出答案。
FODMP 的方法：它利用了一种叫“一致性蒸馏”的技术。
- 比喻：想象一位老教授（老师模型）能解出这道题，但需要慢慢推导 50 步。FODMP 训练了一个天才学生（学生模型）。
- 老教授在推导过程中，不断告诉学生：“你看，无论你在推导的第几步，只要方向对了，最终的答案都是一样的。”
- 经过训练，这个天才学生学会了一眼看穿本质。它不需要一步步推导，看到题目（观察到的场景）后，直接一步就写出了最终完美的答案（乐谱参数）。

3. 实际效果：快如闪电，稳如泰山

论文通过两个实验展示了 FODMP 的厉害之处：

推 T 型物体（Push-T）：
- 这是一个需要精细控制、不能抖动的工作。
- 结果：FODMP 比传统方法成功率更高。因为它生成的动作是连贯平滑的，不会像“分块派”那样因为动作不连贯导致物体乱晃。
接飞球（Ball Catching）：
- 这是最难的挑战。球飞得很快，机器人必须在极短时间内判断轨迹，并规划出“快速接近 -> 精准减速 -> 稳稳接住”的动作。
- 结果：
  - 分块派：反应太慢，或者动作太僵硬，球还没到手里就撞上了，或者根本接不住。
  - 传统扩散派：动作很完美，但等它算完，球早就落地了。
  - FODMP：它既算得极快（一步到位），又规划出了完美的“急停”动作。它成功接住了飞球！

总结

FODMP 就像是给机器人装上了“肌肉记忆”和“超级直觉”。

它不再需要笨拙地一步步试错，也不再需要慢吞吞地反复计算。它学会了直接根据眼前的情况，瞬间“悟”出一套完美的动作方案（包含加速和减速的完整节奏），然后瞬间执行。

这使得机器人不仅能做简单的推桌子，还能像人类一样，去接住高速飞来的球，真正实现了既快又稳的实时控制。

FODMP 技术总结：面向时间依赖机器人动作的快速单步扩散运动原语生成

1. 研究背景与问题定义 (Problem)

在机器人学习领域，扩散模型（Diffusion Models）已成为生成高维连续动作的主流方法，特别是在视觉 - 语言 - 动作（VLA）框架中。然而，现有的扩散策略设计面临一个明显的速度与表达能力之间的权衡（Trade-off）：

动作分块策略 (Action Chunking)：如 ManiCM 等，通过预测短时间的动作序列来运行，推理速度快，但缺乏对**时间依赖运动原语（Time-Dependent Motion Primitives）**的建模能力。它们生成的动作是反应式的、短视的，无法捕捉如“弹簧 - 阻尼”般的动态加速/减速剖面，难以处理需要预判和连续动态调整的任务（如接飞球）。
运动原语扩散 (MPD)：如 Movement Primitive Diffusion，通过参数化完整轨迹（使用概率动态运动原语 ProDMPs）来生成具有时间结构的动作。虽然表达能力强，但其将运动解码器直接集成在多步扩散过程中，导致推理延迟极高，无法满足实时闭环控制的需求。

核心问题：如何结合运动原语的时间表达能力与扩散模型的高效推理，实现既能生成结构化、时间依赖的运动，又能达到实时控制频率（Closed-loop Control Rates）的机器人策略？

2. 方法论 (Methodology)

作者提出了 FODMP (Fast One-step Diffusion of Movement Primitives)，这是一个将扩散模型蒸馏到运动原语参数空间的新框架。其核心思想是利用**一致性蒸馏（Consistency Distillation）**技术，将多步去噪过程压缩为单步推理。

2.1 核心组件

轨迹表示 (ProDMPs)：
- 采用概率动态运动原语 (ProDMPs) 作为轨迹的表示空间。
- 轨迹参数 $\theta = [w, g]$ 包含非线性力项的权重 $w$ 和吸引子目标 $g$ 。
- 这种表示法能够编码完整的时变运动剖面（包括加速和减速阶段），且通过预计算基函数避免了经典 DMP 的数值积分开销，保证了时间一致性。
教师模型 (Teacher Model)：
- 基于现有的 MPD 架构，训练一个多步扩散模型。该模型通过多步去噪（通常 10-50 步）从噪声中恢复 ProDMPs 参数。
- 教师模型负责学习动作分布的复杂结构，但推理速度慢。
学生模型与一致性蒸馏 (Student Model & Consistency Distillation)：
- 目标：训练一个单步学生模型，直接映射噪声输入到干净的 ProDMPs 参数。
- 原理：基于一致性模型（Consistency Models）理论，沿概率流 ODE 轨迹强制自一致性。即无论从哪个中间噪声状态开始，单步预测都应收敛到同一个干净参数。
- 训练过程：
  - 教师模型执行 $k$ 步去噪得到较干净的参数 $\hat{\theta}_n$ 。
  - 学生模型直接预测从噪声 $\theta_{n+k}$ 到干净参数 $\hat{\theta}_0$ 的映射。
  - 通过最小化学生预测与目标网络（由学生模型 EMA 更新）之间的差异来训练。
- 推理过程：
  1. 采样高斯噪声 $\theta_T$ 。
  2. 通过单步前向传播 $f_\phi(o, \theta_T, T)$ 直接得到干净参数 $\theta_0$ 。
  3. 使用 ProDMPs 解码器将 $\theta_0$ 解码为平滑的时间依赖轨迹。

2.2 架构流程

输入：多模态观测（RGB 图像、本体感知状态、任务描述）。
处理：Transformer 骨干网络进行条件编码，通过一致性蒸馏网络直接输出 ProDMPs 参数。
输出：解码后的平滑、结构化机器人轨迹。

3. 主要贡献 (Key Contributions)

首个单步扩散运动原语框架：FODMP 是第一个将一致性蒸馏与 ProDMPs 结合的单步扩散框架，能够在控制频率下生成具有时间表达能力的运动原语。
突破速度与表达能力的权衡：成功消除了多步扩散的推理瓶颈，同时保留了运动原语对复杂动态行为（如加速/减速剖面）的建模能力。
实证验证：在仿真基准（MetaWorld, ManiSkill）和真实世界任务（Push-T, Ball Catching）上进行了广泛验证，证明了其在速度、成功率和数据效率上的优越性。

4. 实验结果 (Results)

4.1 仿真基准 (MetaWorld & ManiSkill)

成功率：FODMP 在平均成功率上达到 78.2%，显著优于 MPD (64.1%)、DP (50.1%) 和 ManiCM (34.4%)。特别是在中等和困难任务中，其结构化运动生成的优势明显。
推理速度：FODMP 的推理时间仅为 17.2 ms/步。
- 比 MPD 快 10 倍 (MPD 为 168.6 ms)。
- 比动作分块策略（如 DP, ManiCM）快 7 倍 (DP 约 120 ms)。
- 实现了真正的实时闭环控制。

4.2 真实世界实验

Push-T 任务 (推 T 型物体)：
- FODMP 成功率最高，比 DP、ManiCM 和 MPD 分别高出 19.7%、23.6% 和 9.2%。
- 数据效率：在训练数据量较少时，FODMP 的性能提升曲线更陡峭，表现出更强的数据利用能力。
- 稳定性：生成的动作序列时间一致，避免了因动作抖动导致的累积误差。
接球任务 (Ball Catching)：
- 动态拦截能力：这是 FODMP 最具代表性的优势场景。由于接球需要极快的反应和精确的加速/减速控制，动作分块策略和 MPD 因延迟或动作不连贯而失败。
- 结果：FODMP 在接球任务上的成功率比 DP、ManiCM 和 MPD 分别高出 68.2%、26.1% 和 36.2%。
- 运动质量：生成的末端执行器速度剖面平滑，无突变，能够完美匹配飞球的轨迹进行拦截和缓冲。

5. 意义与展望 (Significance)

填补了空白：FODMP 解决了扩散模型在机器人控制中“快但无结构”与“有结构但慢”的矛盾，为具身智能（Embodied AI）提供了一种通用的、高效的运动生成骨干网络。
实时动态控制：使得机器人能够执行以前无法通过扩散模型实现的复杂动态任务（如高速拦截、柔性接触），极大地扩展了机器人的技能边界。
模块化与可扩展性：该方法作为“动作专家（Action Expert）”是模块化的，可以无缝集成到大型 VLA 基础模型（如 $\pi_0$ ）中，结合强大的视觉 - 语言编码器，有望推动更复杂、更通用的机器人技能学习。

总结：FODMP 通过一致性蒸馏技术，成功将扩散模型的速度提升至实时控制水平，同时保留了运动原语的时间结构表达能力，是机器人动作生成领域的一项重大突破，特别适用于需要高动态响应和精细时间控制的场景。