.png){kind=icon}
返回
ST-Policy: Encoding Spatiotemporal Continuity for Diffusion Policy
.png){kind=icon}
PRE
AI
DOI：10.1109/lra.2026.3732900.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于扩散的视听运动策略是机器人模仿学习的一种强大范式，但其序列模型在动作序列的每个位置应用统一的归纳偏差，忽略了机器人运动中固有的时空连续性。我们识别了因果状态空间模型（SSM）的根本局限性：其指数衰减的有效感受野诱导了位置偏差，导致建模能力在动作维度上非均匀分配。因此，我们提出ST-Policy，一种基于Mamba的3D扩散策略，通过两种互补机制编码这种连续性：（1）零参数扫描多样化，通过在SSM块之间应用确定性、形态感知的排列来均衡所有位置对之间的最坏情况有效距离；（2）轻量级门控平滑，通过约300个参数的Gaussian初始化深度卷积注入轨迹连续性先验。两者均集成在一个双分支Mamba混合器中，该混合器解耦了局部特征保持与长距离递归。在37个模拟任务和一个真实机器人平台上的实验表明，该方法相比先前的3D扩散策略具有一致的改进。
Keyword:
Modeling
Joints
Mixers
Trajectory
Convolution
Encoding
Noise reduction
Joining processes
Distance measurement
Modules (abstract algebra)
期刊
I
IF:
5.3
论文数:
1.9K
被引数:
3.9W
机构
查看更多机构
引用论文
暂无论文信息