Muninn：更快的轨迹扩散模型

基于扩散的轨迹规划器可以合成丰富的多模态机器人运动，但其迭代去噪使得在线规划和控制速度极其缓慢。现有的加速要么修改采样器，要么压缩网络——牺牲计划质量或需要重新训练，而不考虑下游控制风险。我们解决了使基于扩散的轨迹规划器足够快以供实时机器人使用的问题，而无需重新训练模型或牺牲轨迹质量，并且以跨不同状态空间扩散架构的方式工作。我们的主要见解是，扩散轨迹规划器暴露了我们可以利用的两个信号：对其内部轨迹表示如何跨步骤变化的廉价探测，以及描述降噪器误差如何影响采样器状态更新的分析系数。通过在离线运行中根据第二个信号校准第一个信号，我们获得了每步分数，该分数是当我们重用缓存的降噪器输出时最终轨迹可以偏离多远的上限，并且我们将此界限视为我们可以在降噪过程中花费的不确定性预算。基于这一见解，我们提出了 Muninn，一种 无需训练 缓存包装器，它在采样期间跟踪这种不确定性预算，并在每个扩散步骤中，在预测偏差较小时重用缓存的降噪器输出和在预测偏差较小时重新计算降噪器之间进行选择。在标准基准测试中，Muninn 通过减少降噪器评估，在多个轨迹扩散模型中提供高达 4.6 倍的挂钟加速，同时保留任务性能和安全指标。 Muninn 进一步证明缓存的部署与全计算对应的部署保持在指定距离内，并且我们在实时闭环导航和操作硬件部署中验证了这些收益。项目页面：https://github.com/gokulp01/Muninn。