Muninn: Your Trajectory Diffusion Model But Faster

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

Licenze

• Open access
• Articolo: CC BY 4.0

Tutto ciò che segue si basa sull'articolo completo secondo la sua licenza CC BY 4.0; la figura è riportata citando gli autori.

In breve

Muninn decide a ogni passo di denoising se riutilizzare un output del denoiser in cache, ottenendo una pianificazione a diffusione fino a 4,6x più veloce con un limite calibrato sulla deviazione rispetto al piano a calcolo completo.

Perché è importante

Accelera pianificatori e policy a diffusione preaddestrati esistenti senza riaddestramento, dati aggiuntivi o modifiche all'architettura, e può essere combinato con modelli distillati o più piccoli per ulteriori guadagni. Il budget residuo è inoltre un segnale a runtime che un controllore può usare per tornare al calcolo completo o a un controllore più sicuro.

Problema

I pianificatori di traiettorie a diffusione e le diffusion policy eseguono decine di passi di denoising per piano, il che è troppo lento per piattaforme embedded e cicli di controllo ad alta frequenza. Le accelerazioni esistenti modificano il campionatore o comprimono la rete, il che costa qualità del piano o richiede un riaddestramento, e i metodi di caching senza addestramento provenienti dalla generazione di immagini non dicono nulla su come i loro errori modifichino la traiettoria eseguita.

Soluzione proposta

Muninn esegue a ogni passo solo lo stadio di ingresso economico del denoiser e misura quanto quella rappresentazione interna è cambiata rispetto al passo precedente. Una calibrazione split-conformal su esecuzioni offline trasforma questo punteggio in un limite ad alta probabilità sull'errore dovuto al riutilizzo di un output in cache, e i coefficienti analitici del campionatore lo convertono in un limite sulla deviazione della traiettoria finale. A runtime i costi per passo vengono spesi da un budget di deviazione fissato dall'utente: il denoiser viene riutilizzato finché resta budget e ricalcolato altrimenti, così il piano con cache resta entro una distanza scelta dal piano a calcolo completo con un livello di rischio scelto.

Idee chiave

• I campionatori di diffusione hanno un aggiornamento analitico noto, quindi l'effetto di un errore del denoiser al passo t sulla traiettoria finale può essere limitato tramite coefficienti di sensibilità del campionatore; i primi passi possono contare più degli ultimi
• La variazione di una rappresentazione intermedia economica tra passi consecutivi predice quanto un output del denoiser in cache differirebbe da uno appena calcolato
• Il salto fisso dei passi e il campionamento con meno passi distribuiscono l'errore in modo uniforme nel tempo di diffusione anche se la sensibilità del campionatore è fortemente non uniforme, ed è per questo che perdono prestazioni nel task a parità di latenza
• Il riutilizzo con budget spende più chiamate al denoiser nelle situazioni difficili e ingombre e meno negli spazi aperti, senza alcun addestramento aggiuntivo

Risultati principali

• D4RL AntMaze con Diffuser: latenza da 950 ms a 207 ms (4,6x) e chiamate al denoiser per passo da 100 a 13,0, con punteggio normalizzato di 58,7 contro 58,3
• Con un limite di latenza di 250 ms su AntMaze, Muninn ha ottenuto 67,6 contro 68,7 del modello completo con 957 ms, e contro 56,1 (FewSteps), 42,5 (FixedSkip) e 48,0 (ProbeThresh); probabilità di violazione 0,04
• Hardware, 150 esecuzioni: navigazione di un ASV con il teacher BCOD da 60 ms a 24 ms di latenza (successo 97,0 % contro 96,8 %); navigazione del Crazyflie con GC-Diffuser da 75 ms a 30 ms (93,0 % contro 92,8 %); manipolazione con SO-ARM100 con Diffusion Policy da 40 ms a 24 ms (82,0 % contro 81,5 %)
• Pianificazione di un braccio a 7-DoF in ambiente ingombro (difficile): latenza di MPD da 230 ms a 121 ms con successo dell'82,0 % contro l'81,2 %; EDMP da 160 ms a 107 ms con 88,0 % contro 87,5 %
• Policy visuomotorie: DP3 Pour da 45 ms a 27 ms (98,0 % contro 97,6 % di successo); Meta-World pick-place da 30 ms a 18 ms (92,0 % contro 91,5 %)
• La probabilità misurata che il piano con cache superi la tolleranza di deviazione è rimasta tra 0,028 e 0,049 nei benchmark di RL offline della Tabella I

Limiti

• La garanzia vale solo per la metrica di deviazione scelta e per la distribuzione di calibrazione; in caso di distribution shift l'ipotesi di scambiabilità può cadere e il controllo del rischio può degradarsi, per cui può servire una ricalibrazione
• Il certificato limita la deviazione rispetto al pianificatore a calcolo completo, non la sicurezza del task: se il pianificatore di base non è sicuro, Muninn resta vicino a quel comportamento non sicuro
• Il limite dell'unione sui passi temporali può essere conservativo, riducendo l'accelerazione con livelli di rischio molto piccoli o lunghi orizzonti di diffusione
• Richiede una sonda economica e informativa dell'interno del modello, che per alcune architetture può richiedere un accesso a livello di ingegnerizzazione; cambiare campionatore, guida o condizionamento richiede una ricalibrazione
• Come un budget di deviazione si traduca in stabilità ad anello chiuso dipende dalla frequenza di ripianificazione, dalla robustezza dell'inseguitore e dal rumore di stima, ed è lasciato a lavori futuri; il budget è fissato dall'utente anziché adattarsi al contesto

Impatto sul settore

Vincitore del RSS 2026 Outstanding Student Paper Award e finalista al RSS 2026 Outstanding Paper Award. Gli autori rilasciano codice, dataset e modelli.

Abstract

I pianificatori di traiettorie basati sulla diffusione possono sintetizzare movimenti robotici ricchi e multimodali, ma il loro denoising iterativo rende la pianificazione e il controllo online proibitivamente lenti. Le accelerazioni esistenti modificano il campionatore o comprimono la rete, sacrificando la qualità del piano o richiedendo un riaddestramento, senza tenere conto del rischio per il controllo a valle. Affrontiamo il problema di rendere i pianificatori di traiettorie basati sulla diffusione abbastanza veloci per l'uso robotico in tempo reale senza riaddestrare il modello né sacrificare la qualità della traiettoria, e in un modo che funzioni con diverse architetture di diffusione nello spazio degli stati. La nostra intuizione chiave è che i pianificatori di traiettorie a diffusione espongono due segnali sfruttabili: una sonda economica di come la loro rappresentazione interna della traiettoria cambia tra un passo e l'altro, e coefficienti analitici che descrivono come gli errori del denoiser influiscono sull'aggiornamento dello stato del campionatore. Calibrando il primo segnale rispetto al secondo su esecuzioni offline, otteniamo un punteggio per passo che limita superiormente quanto la traiettoria finale può deviare quando riutilizziamo un output del denoiser in cache, e trattiamo questo limite come un budget di incertezza che possiamo spendere nel corso del processo di denoising. Su questa base presentiamo Muninn, un wrapper di caching senza addestramento che tiene traccia di questo budget di incertezza durante il campionamento e, a ogni passo di diffusione, sceglie tra riutilizzare un output del denoiser in cache quando la deviazione prevista è piccola e ricalcolare il denoiser quando non lo è. Su benchmark standard che coprono la pianificazione RL offline (D4RL), la pianificazione del movimento nello spazio delle configurazioni e le diffusion policy visuomotorie, Muninn offre accelerazioni in tempo reale fino a 4,6× su diversi pianificatori di traiettorie a diffusione e diffusion policy riducendo le valutazioni del denoiser, preservando le prestazioni nel task e le metriche di sicurezza. Inoltre Muninn certifica, con una tolleranza di deviazione e un livello di rischio scelti dall'utente, che i rollout con cache restano entro una distanza specificata dalle loro controparti a calcolo completo, e convalidiamo questi guadagni in implementazioni hardware di navigazione e manipolazione ad anello chiuso in tempo reale. Codice, dataset e video supplementari disponibili all'indirizzo: https://github.com/gokulp01/Muninn.

Link

• arXiv 2605.09999: https://arxiv.org/abs/2605.09999
• DOI 10.48550/arXiv.2605.09999: https://doi.org/10.48550/arXiv.2605.09999
• PDF: https://arxiv.org/pdf/2605.09999v1
• Codice: https://github.com/gokulp01/Muninn