Hugging Face提出EAPN：革新机器人策略的异步重规划一致性

摘要：Hugging Face的研究团队提出了一种名为Execution-Aligned Progressive Noise (EAPN)的新方法，旨在解决机器人策略中异步重规划时存在的模式切换和动作块间不一致性问题。EAPN通过在重规划步骤之间传播共享噪声轨迹并将其与实际执行位移对齐，建立了执行对齐的跨块关联。同时，在每个动作块内，它沿动作时间建模时间相关性，结合已提交的动作上下文来调节后续生成，从而实现从执行一致的状态继续生成，而非从独立噪声重新开始。实验结果表明，EAPN在多个基准测试中显著提升了多模态行为的一致性，并在真实机器人任务中表现出色，例如在对象存储任务中成功率达到90.0%，在双手协作布料折叠任务中达到96.7%。

---

背景与挑战

在实时生成机器人策略中，持续的异步重规划至关重要。然而，独立随机初始化可能导致模式切换和动作块间的不一致性问题，影响机器人任务执行的连贯性和可靠性。

EAPN方法概述

Hugging Face的研究团队提出了一种名为Execution-Aligned Progressive Noise (EAPN)的新方法，通过引入结构化的随机性来解决上述问题。EAPN的主要创新点包括：

• 跨块关联：在重规划步骤之间传播共享噪声轨迹，并将其与实际执行位移对齐，建立执行对齐的跨块关联。
• 时间相关性建模：在每个动作块内，沿动作时间轴建模时间相关性，确保动作块内的连贯性。
• 执行一致的生成状态：将对齐的随机历史与已提交的动作上下文结合，调节后续生成，使新块能够从执行一致的状态继续，而非从独立噪声重新开始。

实验与结果

EAPN在多个基准测试中进行了评估，包括D3IL、Kinetix和LIBERO，以及真实世界的操作任务：

• D3IL：EAPN显著提升了多模态行为的一致性。
• Kinetix：实现了88.59%的平均成功率。
• LIBERO：在长推理延迟下依然保持稳健，表现出强大的任务性能。
• 真实机器人实验：在对象存储任务中成功率达到90.0%，在双手协作布料折叠任务中达到96.7%。

技术亮点

1. 结构化随机性引入：通过跨块和块内两个层次的随机性引入，确保了生成过程的一致性和连贯性。
2. 执行对齐机制：通过将噪声轨迹与实际执行位移对齐，解决了异步重规划中的不一致性问题。
3. 高效的训练与推理流程：EAPN在保持高成功率的同时，未显著增加计算开销，适用于实际部署场景。

行业影响与开发者建议

EAPN为机器人策略的异步重规划提供了新的技术路径，尤其在多模态行为一致性和长推理延迟下的任务性能方面表现出色。开发者可以参考EAPN的设计思路，在机器人控制、智能体决策等领域进行应用和创新。此外，EAPN的模块也为未来在复杂动态系统建模和实时控制任务中的研究提供了新的思路。

---

消息来源：Hugging Face Daily Papers (2026-10-05)

—— 完 ——

主题标签： #Hugging Face 关注 #机器人策略 关注 #异步重规划 关注 #EAPN 关注 #多模态行为 关注