ManiCM: Real-time 3D Diffusion Policy via Consistency Model for Robotic Manipulation

Diffusion模型已被证明在从自然图像到运动轨迹生成复杂分布方面非常有效。最近的基于扩散的方法在3D机器人操作任务中表现出令人印象深刻的性能，但由于多次去噪步骤，特别是在高维观测中，它们遭受了严重的运行时效率问题。因此，我们提出了一种名为ManiCM的实时机器人操作模型，它在扩散过程中施加一致性约束，以便模型可以在一步推理中生成机器人动作。具体而言，我们在机器人动作空间中制定了一种一致的扩散过程，以点云输入为条件，在该过程中，要求从ODE轨迹上的任何点直接去噪原始动作。为了建模这个过程，我们设计了一种一致性蒸馏技术，直接预测动作样本，而不是在视觉社区内预测噪声，以便在低维动作流形中快速收敛。我们在Adroit和Metaworld的31个机器人操作任务上评估了ManiCM，结果表明我们的方法平均推理速度比现有技术快10倍，同时保持了有竞争力的平均成功率。

本文旨在解决基于扩散模型的机器人操作模型在高维观测数据下运行效率低下的问题，提出了一种名为ManiCM的实时机器人操作模型，通过在扩散过程中引入一致性约束，实现一步推理生成机器人动作。

ManiCM模型在机器人动作空间中设计了一致性扩散过程，通过一致性蒸馏技术直接预测动作样本，从而实现只需一步推理即可生成机器人动作的目的，相较于现有方法，ManiCM模型在平均推理速度上提高了10倍，同时保持了竞争性的成功率。

ManiCM模型通过一致性约束实现了高效的机器人操作模型，实验结果表明其在31个机器人操作任务上取得了竞争性的成功率，并且平均推理速度提高了10倍。本文使用了Adroit和Metaworld数据集进行实验，并且提供了开源代码。

最近的相关研究包括：基于扩散模型的机器人操作模型，以及在高维数据下的运行效率问题。