Muninn: Your Trajectory Diffusion Model But Faster

Autoren: Gokul Puthumanaillam, Hao Jiang, Ruben Hernandez, Jose Fuentes, Paulo Padrao, Leonardo Bobadilla, Melkior Ornik · RSS 2026

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

Muninn entscheidet bei jedem Denoising-Schritt, ob eine zwischengespeicherte Denoiser-Ausgabe wiederverwendet wird, und liefert bis zu 4,6x schnellere Diffusionsplanung mit einer kalibrierten Schranke für die Abweichung vom Plan mit voller Berechnung.

Warum es wichtig ist

Es beschleunigt bestehende vortrainierte Diffusionsplaner und -policies ohne erneutes Training, zusätzliche Daten oder Architekturänderungen und lässt sich für weitere Zugewinne mit destillierten oder kleineren Modellen kombinieren. Das verbleibende Budget ist zudem ein Laufzeitsignal, mit dem ein Regler auf volle Berechnung oder einen sichereren Regler zurückfallen kann.

Problem

Diffusions-Trajektorienplaner und Diffusion Policies führen Dutzende Denoising-Schritte pro Plan aus, was für eingebettete Plattformen und Regelkreise mit hoher Rate zu langsam ist. Bestehende Beschleunigungen verändern entweder den Sampler oder komprimieren das Netz, was Planqualität kostet oder erneutes Training erfordert, und trainingsfreie Caching-Methoden aus der Bildgenerierung sagen nichts darüber, wie ihre Fehler die ausgeführte Trajektorie verändern.

Lösungsansatz

Muninn führt bei jedem Schritt nur die günstige Eingangsstufe des Denoisers aus und bewertet, wie stark sich diese interne Repräsentation seit dem vorherigen Schritt verändert hat. Split-konforme Kalibrierung auf Offline-Läufen macht aus diesem Wert eine Schranke hoher Wahrscheinlichkeit für den Fehler durch Wiederverwendung einer zwischengespeicherten Ausgabe, und analytische Sampler-Koeffizienten wandeln sie in eine Schranke für die Abweichung der endgültigen Trajektorie um. Zur Laufzeit werden die Kosten pro Schritt aus einem vom Benutzer festgelegten Abweichungsbudget bestritten: Der Denoiser wird wiederverwendet, solange Budget übrig ist, und andernfalls neu berechnet, sodass der zwischengespeicherte Plan mit einer gewählten Risikostufe innerhalb eines gewählten Abstands zum Plan mit voller Berechnung bleibt.

Wichtigste Erkenntnisse

Diffusions-Sampler haben eine bekannte analytische Aktualisierung, sodass sich die Wirkung eines Denoiser-Fehlers in Schritt t auf die endgültige Trajektorie durch Sensitivitätskoeffizienten des Samplers beschränken lässt; frühe Schritte können wichtiger sein als späte
Die Änderung einer günstigen Zwischenrepräsentation zwischen aufeinanderfolgenden Schritten sagt voraus, wie stark sich eine zwischengespeicherte Denoiser-Ausgabe von einer neu berechneten unterscheiden würde
Festes Überspringen von Schritten und Sampling mit weniger Schritten verteilen den Fehler gleichmäßig über die Diffusionszeit, obwohl die Sensitivität des Samplers stark ungleichmäßig ist, weshalb sie bei gleicher Latenz Aufgabenleistung verlieren
Budgetierte Wiederverwendung setzt in schwierigen, vollgestellten Situationen mehr und in freiem Raum weniger Denoiser-Aufrufe ein, ganz ohne zusätzliches Training

Hauptergebnisse

D4RL AntMaze mit Diffuser: Latenz 950 ms auf 207 ms (4,6x) und Denoiser-Aufrufe pro Schritt 100 auf 13,0, bei normiertem Score 58,7 gegenüber 58,3
Bei einer Latenzobergrenze von 250 ms auf AntMaze erzielte Muninn 67,6 gegenüber 68,7 für das vollständige Modell mit 957 ms, gegenüber 56,1 (FewSteps), 42,5 (FixedSkip) und 48,0 (ProbeThresh); Verletzungswahrscheinlichkeit 0,04
Hardware, 150 Läufe: ASV-Navigation mit dem BCOD-Teacher 60 ms auf 24 ms Latenz (Erfolg 97,0 % gegenüber 96,8 %); Crazyflie-Navigation mit GC-Diffuser 75 ms auf 30 ms (93,0 % gegenüber 92,8 %); SO-ARM100-Manipulation mit Diffusion Policy 40 ms auf 24 ms (82,0 % gegenüber 81,5 %)
Planung für einen 7-DoF-Arm in vollgestellter Umgebung (schwer): MPD-Latenz 230 ms auf 121 ms bei Erfolg 82,0 % gegenüber 81,2 %; EDMP 160 ms auf 107 ms bei 88,0 % gegenüber 87,5 %
Visuomotorische Policies: DP3 Pour 45 ms auf 27 ms (98,0 % gegenüber 97,6 % Erfolg); Meta-World pick-place 30 ms auf 18 ms (92,0 % gegenüber 91,5 %)
Die gemessene Wahrscheinlichkeit, dass der zwischengespeicherte Plan die Abweichungstoleranz überschreitet, blieb über die Offline-RL-Benchmarks in Table I zwischen 0,028 und 0,049

Einschränkungen

Die Garantie gilt nur für die gewählte Abweichungsmetrik und die Kalibrierungsverteilung; bei Verteilungsverschiebung kann die Austauschbarkeitsannahme scheitern und die Risikokontrolle nachlassen, sodass eine Neukalibrierung nötig sein kann
Das Zertifikat beschränkt die Abweichung vom Planer mit voller Berechnung, nicht die Aufgabensicherheit: Ist der Basisplaner unsicher, bleibt Muninn nahe an diesem unsicheren Verhalten
Die Union Bound über die Zeitschritte kann konservativ sein und die Beschleunigung bei sehr kleinen Risikostufen oder langen Diffusionshorizonten verringern
Es benötigt eine günstige, aussagekräftige Sonde in das Innere des Modells, was bei manchen Architekturen technischen Zugriff erfordern kann; eine Änderung von Sampler, Guidance oder Konditionierung erfordert eine Neukalibrierung
Wie sich ein Abweichungsbudget in Stabilität im geschlossenen Regelkreis übersetzt, hängt von Neuplanungsrate, Robustheit des Trackers und Schätzrauschen ab und bleibt künftiger Arbeit überlassen; das Budget wird vom Benutzer festgelegt, statt an den Kontext angepasst zu werden

Wirkung auf das Fachgebiet

Ausgezeichnet mit dem RSS 2026 Outstanding Student Paper Award und Finalist für den RSS 2026 Outstanding Paper Award. Die Autoren veröffentlichen Code, Datensatz und Modelle.

Zusammenfassung

Diffusionsbasierte Trajektorienplaner können reichhaltige, multimodale Roboterbewegungen synthetisieren, doch ihr iteratives Denoising macht Online-Planung und -Regelung unerträglich langsam. Bestehende Beschleunigungen verändern entweder den Sampler oder komprimieren das Netz – und opfern dabei Planqualität oder erfordern erneutes Training, ohne das Risiko für die nachgelagerte Regelung zu berücksichtigen. Wir behandeln das Problem, diffusionsbasierte Trajektorienplaner schnell genug für den Echtzeiteinsatz auf Robotern zu machen, ohne das Modell neu zu trainieren oder Trajektorienqualität zu opfern, und zwar auf eine Weise, die über verschiedene Diffusionsarchitekturen im Zustandsraum hinweg funktioniert. Unsere zentrale Einsicht ist, dass Diffusions-Trajektorienplaner zwei Signale offenlegen, die wir nutzen können: eine günstige Sonde dafür, wie sich ihre interne Trajektorienrepräsentation über die Schritte verändert, und analytische Koeffizienten, die beschreiben, wie Denoiser-Fehler die Zustandsaktualisierung des Samplers beeinflussen. Indem wir das erste Signal anhand des zweiten auf Offline-Läufen kalibrieren, erhalten wir einen Wert pro Schritt, der nach oben begrenzt, wie weit die endgültige Trajektorie abweichen kann, wenn wir eine zwischengespeicherte Denoiser-Ausgabe wiederverwenden, und wir behandeln diese Schranke als Unsicherheitsbudget, das wir über den Denoising-Prozess hinweg ausgeben können. Auf dieser Einsicht aufbauend stellen wir Muninn vor, einen trainingsfreien Caching-Wrapper, der dieses Unsicherheitsbudget während des Samplings verfolgt und bei jedem Diffusionsschritt entscheidet, ob er eine zwischengespeicherte Denoiser-Ausgabe wiederverwendet, wenn die vorhergesagte Abweichung klein ist, oder den Denoiser neu berechnet, wenn sie es nicht ist. Über Standardbenchmarks hinweg, die Offline-RL-Planung (D4RL), Bewegungsplanung im Konfigurationsraum und visuomotorische Diffusion Policies umfassen, erzielt Muninn bis zu 4,6× Beschleunigung der realen Laufzeit über mehrere Trajektorien-Diffusionsplaner und Diffusion Policies hinweg, indem es Denoiser-Auswertungen reduziert und dabei Aufgabenleistung und Sicherheitsmetriken erhält. Darüber hinaus zertifiziert Muninn – bei einer vom Benutzer gewählten Abweichungstoleranz und Risikostufe –, dass zwischengespeicherte Rollouts innerhalb eines festgelegten Abstands zu ihren Gegenstücken mit voller Berechnung bleiben, und wir validieren diese Zugewinne in Hardware-Einsätzen zur Echtzeit-Navigation und -Manipulation im geschlossenen Regelkreis. Code, Datensatz und ergänzende Videos verfügbar unter: https://github.com/gokulp01/Muninn.

Open Source Robotics