Muninn: Your Trajectory Diffusion Model But Faster

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

授權條款

• 開放取用
• 論文: CC BY 4.0

以下內容皆依據論文全文，依其 CC BY 4.0 授權條款使用；圖表已標示作者。

一句話摘要

Muninn 在每個去雜訊步驟決定是否重複使用快取的去雜訊器輸出，讓擴散規劃最多加速 4.6x，並對與完整計算規劃之間的偏差提供經校正的界限。

為何重要

它不需重新訓練、額外資料或架構變更，就能加速既有的預訓練擴散規劃器與策略，也能疊加在蒸餾模型或較小的模型上以進一步提升。剩餘的預算也是一個執行時期訊號，控制器可依此退回完整計算或更安全的控制器。

問題

擴散軌跡規劃器與擴散策略每次規劃都要執行數十個去雜訊步驟，對嵌入式平台與高頻控制迴路而言太慢。現有的加速方法若不是改變取樣器，就是壓縮網路，代價是規劃品質下降或需要重新訓練；而來自影像生成領域、無需訓練的快取方法，並未說明其誤差會如何改變實際執行的軌跡。

提出的方法

Muninn 在每一步只執行去雜訊器中低成本的輸入階段，並為該內部表示相較上一步的變化程度評分。在離線執行上進行分割共形校正，將此分數轉換為重複使用快取輸出時誤差的高機率界限，再由取樣器的解析係數轉換為最終軌跡偏差的界限。執行時，每一步的成本從使用者設定的偏差預算中扣除：預算尚有剩餘時就重複使用去雜訊器輸出，否則重新計算，使快取的規劃能以選定的風險水準，維持在與完整計算規劃相距選定距離之內。

關鍵見解

• 擴散取樣器具有已知的解析更新，因此第 t 步的去雜訊器誤差對最終軌跡的影響，可用取樣器敏感度係數加以界定；前面的步驟可能比後面的步驟更重要
• 一個低成本中間表示在相鄰步驟之間的變化，可以預測快取的去雜訊器輸出與重新計算的輸出會相差多少
• 固定跳步與減少步數的取樣會把誤差平均分攤到整個擴散時間上，然而取樣器敏感度高度不均，這正是它們在相同延遲下會損失任務表現的原因
• 依預算重複使用會在困難、雜亂的情況下花費較多去雜訊器呼叫，在開闊空間中花費較少，而且不需任何額外訓練

主要結果

• D4RL AntMaze 搭配 Diffuser：延遲從 950 ms 降至 207 ms（4.6x），每步去雜訊器呼叫次數從 100 降至 13.0，正規化分數為 58.7 對比 58.3
• 在 AntMaze 上設定 250 ms 延遲上限時，Muninn 得分 67.6，給予 957 ms 的完整模型為 68.7，FewSteps 為 56.1、FixedSkip 為 42.5、ProbeThresh 為 48.0；違規機率為 0.04
• 硬體，150 次執行：使用 BCOD 教師模型的 ASV 導航延遲從 60 ms 降至 24 ms（成功率 97.0% 對比 96.8%）；使用 GC-Diffuser 的 Crazyflie 導航從 75 ms 降至 30 ms（93.0% 對比 92.8%）；使用 Diffusion Policy 的 SO-ARM100 操作從 40 ms 降至 24 ms（82.0% 對比 81.5%）
• 雜亂環境中的 7-DoF 機器手臂規劃（困難）：MPD 延遲從 230 ms 降至 121 ms，成功率 82.0% 對比 81.2%；EDMP 從 160 ms 降至 107 ms，成功率 88.0% 對比 87.5%
• 視覺運動策略：DP3 Pour 從 45 ms 降至 27 ms（成功率 98.0% 對比 97.6%）；Meta-World pick-place 從 30 ms 降至 18 ms（92.0% 對比 91.5%）
• 在表 I 的離線 RL 基準中，量測到快取規劃超出偏差容許值的機率維持在 0.028 到 0.049 之間

限制

• 此保證僅對所選的偏差量度與校正分布成立；在分布偏移下，可交換性假設可能不成立，風險控制可能退化，因此可能需要重新校正
• 此認證界定的是與完整計算規劃器之間的偏差，而非任務安全：若基礎規劃器本身不安全，Muninn 也會緊貼這種不安全的行為
• 對各時間步取聯集界可能偏保守，在風險水準很小或擴散時域很長時會降低加速效果
• 它需要對模型內部進行低成本且具資訊量的探測，對某些架構而言可能需要工程層面的存取；改變取樣器、引導方式或條件輸入都需要重新校正
• 偏差預算如何轉化為閉迴路穩定性，取決於重新規劃頻率、追蹤器的穩健性與估測雜訊，這部分留待未來研究；預算是由使用者固定設定，而非依情境自適應調整

對領域的影響

榮獲 RSS 2026 傑出學生論文獎，並入圍 RSS 2026 傑出論文獎決選。作者釋出了程式碼、資料集與模型。

摘要

以擴散為基礎的軌跡規劃器能合成豐富、多模態的機器人運動，但其迭代去雜訊讓線上規劃與控制慢到難以使用。現有的加速方法若不是修改取樣器，就是壓縮網路，因而犧牲規劃品質或需要重新訓練，而且沒有考量下游控制的風險。我們要解決的問題是：在不重新訓練模型、不犧牲軌跡品質的前提下，讓以擴散為基礎的軌跡規劃器快到足以用於即時機器人，且此方法要能適用於各種狀態空間擴散架構。我們的關鍵洞見是，擴散軌跡規劃器提供了兩個可加以利用的訊號：一是低成本地探測其內部軌跡表示在各步之間如何變化，二是描述去雜訊器誤差如何影響取樣器狀態更新的解析係數。藉由在離線執行中以第二個訊號校正第一個訊號，我們得到一個逐步分數，它為重複使用快取的去雜訊器輸出時最終軌跡可能偏離多遠提供上界，而我們把這個界限視為可在去雜訊過程中支出的不確定性預算。基於此洞見，我們提出 Muninn，一個無需訓練的快取包裝層，在取樣過程中追蹤此不確定性預算，並在每個擴散步驟中做出選擇：預測偏差小時重複使用快取的去雜訊器輸出，否則重新計算去雜訊器。在涵蓋離線 RL 規劃（D4RL）、組態空間運動規劃與視覺運動擴散策略的標準基準上，Muninn 藉由減少去雜訊器的評估次數，在多個軌跡擴散規劃器與擴散策略上達到最高 4.6× 的實際耗時加速，同時維持任務表現與安全指標。Muninn 還能在使用者選定的偏差容許值與風險水準下認證：快取的 rollout 與其完整計算的對應結果之間的距離維持在指定範圍內；我們也在即時閉迴路導航與操作的硬體部署中驗證了這些效益。程式碼、資料集與補充影片請見：https://github.com/gokulp01/Muninn。

連結

• 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
• 程式碼: https://github.com/gokulp01/Muninn