arXiv cs.AI· Tuo An, Chuhao Zhou, Jiahua Dong, Jingliang Li, Jiaqi Bai, Jindou Jia, Jianfei Yang·· 2 天前AI 评分38
TOPS：为多任务机器人操作重塑流源与传输调度
TOPS: Reshaping Flow Source and Transport for Multi-Task Robot Manipulation
AI 导读
TOPS 通过按任务调整流匹配的源先验与插值调度，在不改动网络架构的前提下提升语言条件多任务机器人操作性能。在 LIBERO-10 上，单步集成的 TOPS 将成功率从十步 Standard Flow Matching 的 53.44% 提升至 69.67%，推理时间约为基线的六分之一。
正文 · AI 翻译
摘要：面向语言条件多任务操作的流式策略通常共享单一 $\textit{Gaussian}$ 源先验以及跨任务的通用线性传输路径。然而，对于共享策略而言，可靠地执行具有不同运动要求的多个任务仍然具有挑战性。我们提出 $\textbf{TOPS}$（$\textbf{T}$ask-$\textbf{O}$riented $\textbf{P}$riors and $\textbf{S}$chedules），它无需修改网络架构，即可使流源先验和插值调度适配每个任务。TOPS 首先从反向映射的专家动作序列构建多模态任务源，使语言指令能够选择生成的起点。在源-目标协方差失配的引导下，它在去噪早期减缓向专家动作的过渡，并在后期沿需要扩展的方向加速过渡。在 $\textit{Gaussian}$ 端点模型下，我们的分析表明，这种调度调整可以降低速度预测风险的上界。在 LIBERO、LIBERO-Plus 和 CALVIN 上的实验表明，在分布内、扰动和跨环境设置下性能均有提升，同时数据效率也更好。使用一个积分步，与十步标准流匹配（FM）相比，TOPS 将 LIBERO-10 的成功率从 $53.44\%$ 提升至 $69.67\%$，同时将推理时间缩短至基线的大约六分之一。当迁移到大规模流式 $\pi_{0.5}$ 策略时，TOPS 在所有四个评估设置中也带来了一致的增益。真实世界实验进一步证明了任务成功率的提升，包括在上层抽屉打开任务中，从标准 FM 的 $20\%$ 提升至 TOPS 的 $80\%$。
| 评论： | 审稿中 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.36694 [cs.RO] |
| （或此版本的 arXiv:2610.36694v1 [cs.RO]） | |
| https://doi.org/10.48550/arXiv.2610.36694 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Tuo An [查看电子邮件]
[v1]
2026年10月27日星期二 06:11:55 UTC（5,124 KB）
来源：arXiv cs.AI · arxiv.org