Muninn: Your Trajectory Diffusion Model But Faster

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

라이선스

오픈 액세스
논문: CC BY 4.0

아래 내용은 모두 논문의 라이선스(CC BY 4.0)에 따라 논문 전문을 바탕으로 하며, 그림에는 저자를 표기했습니다.

요약

Muninn은 각 디노이징 스텝에서 캐시된 디노이저 출력을 재사용할지 결정하여, 전체 연산 계획으로부터의 이탈에 대한 보정된 상한과 함께 최대 4.6배 빠른 확산 계획을 제공한다.

중요한 이유

재학습, 추가 데이터, 아키텍처 변경 없이 기존의 사전학습된 확산 계획기와 정책을 가속하며, 증류되거나 더 작은 모델 위에 겹쳐 추가 이득을 얻을 수 있다. 남은 예산은 제어기가 전체 연산이나 더 안전한 제어기로 되돌아가는 데 쓸 수 있는 런타임 신호이기도 하다.

문제

확산 궤적 계획기와 확산 정책은 계획 하나당 수십 번의 디노이징 스텝을 실행하는데, 이는 임베디드 플랫폼과 고속 제어 루프에는 너무 느리다. 기존 가속 방법은 샘플러를 바꾸거나 네트워크를 압축하여 계획 품질을 희생하거나 재학습이 필요하며, 이미지 생성에서 온 학습 불필요 캐싱 방법은 그 오차가 실행되는 궤적을 어떻게 바꾸는지에 대해 아무것도 말해 주지 않는다.

제안 방법

Muninn은 각 스텝에서 디노이저의 저비용 입력 단계만 실행하고, 그 내부 표현이 이전 스텝 이후 얼마나 변했는지 점수화한다. 오프라인 실행에서의 분할 컨포멀(split-conformal) 보정은 이 점수를 캐시된 출력 재사용 오차에 대한 고확률 상한으로 바꾸고, 해석적 샘플러 계수는 이를 최종 궤적 이탈에 대한 상한으로 변환한다. 실행 시점에 스텝별 비용은 사용자가 설정한 이탈 예산에서 소비된다. 예산이 남아 있는 동안 디노이저는 재사용되고 그렇지 않으면 다시 계산되므로, 캐시된 계획은 선택한 위험 수준으로 전체 연산 계획으로부터 선택한 거리 이내에 머문다.

핵심 통찰

확산 샘플러는 알려진 해석적 업데이트를 가지므로, 스텝 t에서의 디노이저 오차가 최종 궤적에 미치는 영향을 샘플러 민감도 계수로 제한할 수 있다. 초기 스텝이 후기 스텝보다 더 중요할 수 있다
연속된 스텝 사이에서 저비용 중간 표현의 변화는 캐시된 디노이저 출력이 새로 계산한 출력과 얼마나 다를지를 예측한다
고정 스텝 건너뛰기와 적은 스텝 샘플링은 샘플러 민감도가 매우 불균일함에도 오차를 확산 시간 전반에 균일하게 퍼뜨리며, 이 때문에 같은 지연 시간에서 작업 성능을 잃는다
예산 기반 재사용은 추가 학습 없이, 어렵고 혼잡한 상황에서는 디노이저 호출을 더 많이, 열린 공간에서는 더 적게 쓴다

주요 결과

Diffuser를 사용한 D4RL AntMaze: 지연 시간 950 ms에서 207 ms로(4.6배), 스텝당 디노이저 호출 100회에서 13.0회로 줄었으며, 정규화 점수는 58.7 대 58.3
AntMaze에서 250 ms 지연 상한을 두었을 때 Muninn은 67.6점으로, 957 ms를 쓴 전체 모델의 68.7과 대비되며 FewSteps 56.1, FixedSkip 42.5, ProbeThresh 48.0보다 높았다. 위반 확률 0.04
하드웨어, 150회 실행: BCOD 교사 모델을 사용한 ASV 내비게이션 지연 시간 60 ms에서 24 ms로(성공률 97.0% 대 96.8%), GC-Diffuser를 사용한 Crazyflie 내비게이션 75 ms에서 30 ms로(93.0% 대 92.8%), Diffusion Policy를 사용한 SO-ARM100 조작 40 ms에서 24 ms로(82.0% 대 81.5%)
혼잡한 환경의 7-DoF 팔 계획(어려움): MPD 지연 시간 230 ms에서 121 ms로, 성공률 82.0% 대 81.2%. EDMP 160 ms에서 107 ms로, 88.0% 대 87.5%
시각-운동 정책: DP3 Pour 45 ms에서 27 ms로(성공률 98.0% 대 97.6%), Meta-World pick-place 30 ms에서 18 ms로(92.0% 대 91.5%)
캐시된 계획이 이탈 허용치를 초과할 측정 확률은 Table I의 오프라인 RL 벤치마크 전반에서 0.028과 0.049 사이를 유지했다

한계

보장은 선택한 이탈 지표와 보정 분포에 대해서만 성립한다. 분포 변화 하에서는 교환 가능성 가정이 깨지고 위험 제어가 저하될 수 있으므로 재보정이 필요할 수 있다
인증서는 작업 안전이 아니라 전체 연산 계획기로부터의 이탈을 제한한다. 기반 계획기가 안전하지 않으면 Muninn은 그 안전하지 않은 동작에 가깝게 머문다
타임스텝에 대한 합집합 상한(union bound)은 보수적일 수 있어, 매우 작은 위험 수준이나 긴 확산 지평에서는 속도 향상이 줄어든다
모델 내부에 대한 저비용의 유익한 프로브가 필요하며, 일부 아키텍처에서는 엔지니어링 수준의 접근이 필요할 수 있다. 샘플러, 가이던스 또는 조건화를 바꾸면 재보정이 필요하다
이탈 예산이 폐루프 안정성으로 어떻게 이어지는지는 재계획 속도, 추종기 강건성, 추정 노이즈에 따라 달라지며 향후 과제로 남겨 두었다. 예산은 맥락에 맞춰 조정되지 않고 사용자가 고정한다

분야에 미친 영향

RSS 2026 Outstanding Student Paper Award 수상작이자 RSS 2026 Outstanding Paper Award 최종 후보이다. 저자들은 코드, 데이터셋 및 모델을 공개한다.

초록

확산 기반 궤적 계획기는 풍부한 다봉(multimodal) 로봇 동작을 합성할 수 있지만, 반복적인 디노이징 때문에 온라인 계획과 제어가 감당할 수 없을 만큼 느려진다. 기존 가속 방법은 샘플러를 수정하거나 네트워크를 압축하는데, 이는 후속 제어 위험을 고려하지 않은 채 계획 품질을 희생하거나 재학습을 요구한다. 우리는 모델을 재학습하거나 궤적 품질을 희생하지 않고, 다양한 상태 공간 확산 아키텍처 전반에 통하는 방식으로, 확산 기반 궤적 계획기를 실시간 로봇 사용에 충분할 만큼 빠르게 만드는 문제를 다룬다. 우리의 핵심 통찰은 확산 궤적 계획기가 활용 가능한 두 가지 신호를 드러낸다는 것이다. 하나는 내부 궤적 표현이 스텝 간에 어떻게 변하는지에 대한 저비용 프로브이고, 다른 하나는 디노이저 오차가 샘플러의 상태 업데이트에 어떻게 영향을 미치는지를 기술하는 해석적 계수이다. 오프라인 실행에서 첫 번째 신호를 두 번째 신호에 대해 보정함으로써, 우리는 캐시된 디노이저 출력을 재사용할 때 최종 궤적이 얼마나 벗어날 수 있는지의 상한을 주는 스텝별 점수를 얻고, 이 상한을 디노이징 과정 동안 소비할 수 있는 불확실성 예산으로 취급한다. 이 통찰을 바탕으로 우리는 Muninn을 제시한다. 이는 샘플링 중 이 불확실성 예산을 추적하고, 각 확산 스텝에서 예측된 이탈이 작으면 캐시된 디노이저 출력을 재사용하고 그렇지 않으면 디노이저를 다시 계산하는 것 중에서 선택하는, 학습이 필요 없는 캐싱 래퍼이다. 오프라인 RL 계획(D4RL), 구성 공간 동작 계획, 시각-운동 확산 정책에 걸친 표준 벤치마크에서 Muninn은 디노이저 평가 횟수를 줄여 여러 궤적 확산 계획기와 확산 정책 전반에서 최대 4.6×의 실제 소요 시간 가속을 제공하면서 작업 성능과 안전 지표를 유지한다. 또한 Muninn은 사용자가 선택한 이탈 허용치와 위험 수준에서 캐시된 롤아웃이 전체 연산 대응물로부터 지정된 거리 이내에 머문다는 것을 인증하며, 우리는 이러한 이득을 실시간 폐루프 내비게이션 및 조작 하드웨어 배포에서 검증한다. 코드, 데이터셋 및 보충 영상은 다음에서 이용할 수 있다: https://github.com/gokulp01/Muninn.

링크

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
코드: https://github.com/gokulp01/Muninn