PriGo：自适应机器人操作扩散和流动策略的测试时原始指导

模仿学习使机器人操作取得了显着进展，特别是基于扩散和流动的策略，这些策略直接从演示中生成复杂的视觉运动行为。然而，尽管表现强劲，这些策略往往无法跨任务和环境推广。一个关键原因是现有政策倾向于模仿表面的行动相关性，而不是潜在的意图。受人类行为组成结构的启发，我们提出了 PriGo，一种用于稳健机器人操作的原始引导测试时间自适应框架。 PriGo 推出了 PANet，这是一个轻量级的原始预测模块，可以直接从观察中推断原始分布。我们进一步提出了一种可微分的原始指导机制，可以细化推理过程中生成的动作，将轨迹转向语义一致的行为。与之前的原始条件方法不同，PriGo 完全在测试时运行，并且可以无缝集成到预训练的扩散和流动策略中，而无需重新训练。对 LIBERO、CALVIN、SIMPLER 和现实世界机器人任务的大量实验表明，PriGo 持续提高了扩散和基于流的策略的鲁棒性、长期执行和泛化能力。