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

许可协议

• 开放获取
• 论文: CC BY 4.0

以下内容均依据论文全文，按其 CC BY 4.0 许可协议使用；其中的图已注明作者。

一句话总结

Muninn 在每个去噪步决定是否复用缓存的去噪器输出，使扩散规划最多提速 4.6x，并对与完整计算规划之间的偏差给出经过校准的界。

为何重要

它无需重新训练、额外数据或架构改动，即可加速现有的预训练扩散规划器和策略，还可以叠加在蒸馏模型或更小的模型上以获得进一步提升。剩余预算也是一个运行时信号，控制器可以据此回退到完整计算或更安全的控制器。

问题

扩散轨迹规划器和扩散策略每次规划都要运行数十个去噪步，这对嵌入式平台和高频控制回路来说太慢。现有的加速方法要么改变采样器，要么压缩网络，代价是规划质量下降或需要重新训练；而来自图像生成领域的无训练缓存方法，并未说明其误差会如何改变实际执行的轨迹。

提出的方法

Muninn 在每一步只运行去噪器中低成本的输入阶段，并对该内部表示相较上一步的变化程度打分。在离线运行上进行分割共形校准，将该分数转化为复用缓存输出所产生误差的高概率界，再由采样器的解析系数将其转换为最终轨迹偏差的界。运行时，每一步的代价从用户设定的偏差预算中支出：预算尚有剩余时复用去噪器输出，否则重新计算，从而使缓存规划以选定的风险水平保持在与完整计算规划相距选定距离之内。

关键见解

• 扩散采样器具有已知的解析更新，因此第 t 步的去噪器误差对最终轨迹的影响可以用采样器敏感度系数来界定；早期步骤可能比后期步骤更重要
• 一个低成本中间表示在相邻步骤之间的变化，可以预测缓存的去噪器输出与重新计算的输出之间会相差多少
• 固定跳步和减少步数的采样会把误差均匀地分摊到整个扩散时间上，而采样器敏感度却高度不均匀，这就是它们在相同延迟下会损失任务性能的原因
• 按预算复用会在困难、杂乱的情况下花费更多去噪器调用，在开阔空间中花费更少，且无需任何额外训练

主要结果

• D4RL AntMaze 搭配 Diffuser：延迟从 950 ms 降到 207 ms（4.6x），每步去噪器调用次数从 100 降到 13.0，归一化分数为 58.7 对比 58.3
• 在 AntMaze 上设定 250 ms 延迟上限时，Muninn 得分 67.6，而给予 957 ms 的完整模型为 68.7，FewSteps 为 56.1，FixedSkip 为 42.5，ProbeThresh 为 48.0；违规概率为 0.04
• 硬件，150 次运行：使用 BCOD 教师模型的 ASV 导航延迟从 60 ms 降到 24 ms（成功率 97.0% 对比 96.8%）；使用 GC-Diffuser 的 Crazyflie 导航从 75 ms 降到 30 ms（93.0% 对比 92.8%）；使用 Diffusion Policy 的 SO-ARM100 操作从 40 ms 降到 24 ms（82.0% 对比 81.5%）
• 杂乱环境中的 7-DoF 机械臂规划（困难）：MPD 延迟从 230 ms 降到 121 ms，成功率 82.0% 对比 81.2%；EDMP 从 160 ms 降到 107 ms，成功率 88.0% 对比 87.5%
• 视觉运动策略：DP3 Pour 从 45 ms 降到 27 ms（成功率 98.0% 对比 97.6%）；Meta-World pick-place 从 30 ms 降到 18 ms（92.0% 对比 91.5%）
• 在表 I 的离线 RL 基准中，测得缓存规划超出偏差容限的概率保持在 0.028 到 0.049 之间

局限

• 该保证仅对所选的偏差度量和校准分布成立；在分布偏移下，可交换性假设可能不成立，风险控制可能退化，因此可能需要重新校准
• 该认证界定的是与完整计算规划器之间的偏差，而非任务安全：如果基础规划器不安全，Muninn 会贴近这种不安全的行为
• 对时间步取联合界可能偏保守，在风险水平很小或扩散时域很长时会降低加速效果
• 它需要对模型内部进行低成本且信息充分的探测，对于某些架构这可能需要工程层面的访问；改变采样器、引导方式或条件输入都需要重新校准
• 偏差预算如何转化为闭环稳定性取决于重规划频率、跟踪器的鲁棒性和估计噪声，这一点留待未来工作；预算由用户固定设定，而不是根据情境自适应调整

对领域的影响

荣获 RSS 2026 杰出学生论文奖，并入围 RSS 2026 杰出论文奖决选。作者发布了代码、数据集和模型。

摘要

基于扩散的轨迹规划器能够合成丰富、多模态的机器人运动，但其迭代去噪使在线规划和控制慢得难以接受。现有的加速方法要么修改采样器，要么压缩网络——这会牺牲规划质量或需要重新训练，且没有考虑下游控制风险。我们要解决的问题是：在不重新训练模型、不牺牲轨迹质量的前提下，让基于扩散的轨迹规划器快到足以用于实时机器人，并且该方法要适用于多种状态空间扩散架构。我们的关键洞见是，扩散轨迹规划器暴露出两个可以利用的信号：一是对其内部轨迹表示在各步之间如何变化的低成本探测，二是描述去噪器误差如何影响采样器状态更新的解析系数。通过在离线运行中用第二个信号校准第一个信号，我们得到一个逐步分数，它为复用缓存的去噪器输出时最终轨迹可能偏离的程度给出上界；我们把这个界视为可以在去噪过程中支出的不确定性预算。基于这一洞见，我们提出 Muninn，一个无需训练的缓存封装层，它在采样过程中跟踪这一不确定性预算，并在每个扩散步中做出选择：当预测偏差较小时复用缓存的去噪器输出，否则重新计算去噪器。在涵盖离线 RL 规划（D4RL）、构型空间运动规划和视觉运动扩散策略的标准基准上，Muninn 通过减少去噪器评估次数，在多个轨迹扩散规划器和扩散策略上实现了最高 4.6× 的实际耗时加速，同时保持了任务性能和安全指标。Muninn 还能在用户选定的偏差容限和风险水平下认证：缓存的 rollout 与其完整计算的对应结果之间的距离保持在指定范围内；我们还在实时闭环导航和操作的硬件部署中验证了这些收益。代码、数据集和补充视频见：https://github.com/gokulp01/Muninn。

链接

• 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
• 代码: https://github.com/gokulp01/Muninn