用于生成机器人策略中一致异步重新规划的执行对齐渐进噪声

连续异步重新规划对于实时生成机器人策略至关重要，但独立随机初始化可能会导致动作块之间的模式切换和连续性不一致。我们提出了执行对齐渐进噪声（EAPN），它在块间和块内级别引入了结构化随机性。在重新规划步骤中，EAPN 传播共享噪声轨迹并将其与实际执行位移对齐，建立与执行对齐的块间相关性。在每个动作块中，它模拟了沿动作时间的时间相关性。对齐的随机历史进一步与提交的动作上下文相结合，以调节后续的生成，从而允许新的块从执行一致的生成状态继续，而不是从独立的噪声中重新启动。我们在 D3IL、Kinetix、LIBERO 和实际操作任务上评估 EAPN。 EAPN 提高了 D3IL 上的多模态行为一致性，并在 Kinetix 上实现了 88.59% 的平均成功率。在 LIBERO 上，即使在较长的推理延迟下，它仍然保持稳健并保持强大的任务性能。真实机器人实验进一步在对象存储上取得了 90.0% 的成功率，在双手折叠布料上取得了 96.7% 的成功率，证明了异步重新规划下可靠的连续执行。