开源 GPC:用采样式预测控制自造数据,训练流匹配机器人策略
rsasaki0109 · x · 2026-09-05
Vince Kurtz 与 Joel Burdick 的论文《Generative Predictive Control: Flow Matching Policies for Dynamic and Difficult-to-Demonstrate Tasks》开源了配套代码(GitHub 约 79 星)。
核心思路:
- 针对「难以人工演示、但易于仿真」的机器人任务,提出一个监督学习框架来训练 flow-matching 策略
- 三步循环:用基于采样的预测控制(MPC)生成训练数据 → 对数据拟合生成模型 → 用生成模型改进采样分布,迭代提升
- 仓库提供 conda 环境配置与多个机器人系统的训练/测试示例,可复现论文结果
这条路线绕开了昂贵的遥操作示教,把「规划器造数据 + 生成式策略学习」串成一个自我改进的闭环,对机器人学习研究者有直接参考价值。
「具身」频道最新
- Rivian 收购世界模型初创 Third Dimension,加速自动驾驶研发 — emmanuelvivier · 2026-10-23
- 英伟达柏林 GTC:人形机器人与 Vera Rubin 超算成主角 — emmanuelvivier · 2026-10-23
- 小鹏 IRON 产线亮相:核心工序自动化率超 80%,瞄准 2026 年底量产 — ingliguori · 2026-10-23
- 港大 TILDE:从具身基础模型蒸馏机器人策略 — hkuhk · 2026-10-23
- 机器人公司实测：12 台测试机器人中 10 台无需微调即可上手 — micoolcho · 2026-10-23
- EmbodiedEvo:让机器人智能体在试错中积累 Skills 与 Lessons 自我进化 — jiqizhixin · 2026-10-23