FreeSpeed：无需训练控制生成式机器人策略的执行速度

在线控制执行速度对于在现实场景中部署机器人策略至关重要，因为机器人可能需要在时间限制下加速或减速以促进人类交互并提高安全性。然而，模仿学习的策略继承了其演示的执行速度，而 测试时 速度修改可能会引入不可恢复的分布外观察，从而降低 任务成功率 的性能。我们观察到 动作块 的方向不一致反映了任务阶段的关键性，表明在保留 任务成功率 的同时可以如何积极地修改动作步长。基于这一观察，我们引入了 FreeSpeed，这是一个无需训练模块，可对预训练的策略进行后处理 动作块。 FreeSpeed 以请求的速率对每个预测块进行重新采样，然后使用相邻操作之间的方向不一致作为重新缩放的主要信号。该信号自适应地确定执行速度能够接近请求速度的程度，从而允许在评估限制内灵活调整速度，而不会影响 任务成功率。在三个策略系列和 50 个模拟任务中，FreeSpeed 支持在线速度更改，在保留每个 任务成功率 的设置中，实现的执行速率跨越 0.22 倍到 2.53 倍。在四个现实世界的操作任务中，FreeSpeed 的平均成功率为 94.0%，与冻结的策略的 93.8% 相当，同时实现了 0.38 倍到 1.97 倍的执行率。