CoRDE：用于机器人操纵结构泛化的概念优先路由扩散专家

扩散模型擅长捕获机器人模仿学习中的多模态动作分布。然而，在多任务和长视野场景中，整体架构缺乏结构泛化能力，会遭受不同语义子阶段之间的梯度冲突。纯数据驱动的专家混合（MoE）方法虽然引入了分工，但经常引发路由崩溃，并且实例化全规模专家会导致参数爆炸和高昂的扩展成本。为了解决这些问题，我们提出了概念优先路由扩散专家（CoRDE），这是一种结构引导的变分 蒸馏 框架。 CoRDE 从冻结的概念编码器中提取语义分布，以通过可学习的软映射矩阵来指导变分后验责任。该机制引入了熵控制的责任推理过程，该过程鼓励在可靠的语义预测下进行自信的路由，同时保留行为多样性的随机扩散项。为了克服参数膨胀，CoRDE 在共享冻结主干上采用低秩适应 (LoRA) 的参数高效专家池。理论分析表明，混合分数差异受到责任加权的本地专家错误的限制，支持低秩专家适应下的高保真度生成。实证评估证实，与现有基线相比，CoRDE 系统地减少了路由崩溃，形成稳健、语义一致的专家分配，同时实现卓越的行动质量和增量学习效率。