Riemannian Flow Matching Policy for Robot Motion Learning

我们介绍了一种新颖的模型——黎曼流匹配策略（RFMP），用于学习和合成机器人视觉运动策略。RFMP利用了流匹配方法的高效训练和推断能力。设计上，RFMP继承了流匹配的优点：能够编码机器人任务中常见的高维多模态分布，以及非常简单快速的推断过程。我们展示了RFMP适用于基于状态和基于视觉的机器人运动策略。值得注意的是，由于机器人状态位于黎曼流形上，RFMP本质上融合了几何意识，这对于真实的机器人任务至关重要。为了评估RFMP，我们进行了两个概念验证实验，将其性能与扩散策略进行了比较。虽然两种方法都成功地学习了所考虑的任务，但我们的结果表明，RFMP提供了更平滑的动作轨迹，并显著降低了推断时间。

本论文旨在提出一种新的模型RFMP，用于学习和合成机器人视觉运动策略。论文试图解决如何在机器人任务中处理高维多模态分布的问题，并提供快速的推理方法。

RFMP利用流匹配方法的高效训练和推理能力，继承了流匹配的优点：编码高维多模态分布的能力以及非常简单和快速的推理过程。RFMP在机器人状态上具有Riemannian流形，从而固有地融合了几何意识，这对于实际机器人任务至关重要。

本论文的亮点在于：1）提出了一种新的模型RFMP，用于学习和合成机器人视觉运动策略。2）RFMP具有处理高维多模态分布的能力，并提供快速的推理方法。3）RFMP在机器人状态上具有Riemannian流形，从而固有地融合了几何意识。4）通过两个实验，证明了RFMP相比Diffusion Policies提供了更平滑的行动轨迹和更低的推理时间。

最近的相关研究包括：1）Diffusion Policies，这是一种用于机器人控制的流匹配方法。2）基于强化学习的机器人控制模型，如DDPG和PPO。3）基于流匹配的机器人控制模型，如SAC和TD3。