MIT HardFlow 算法让生成模型零违规满足硬约束
MIT News AI · rss · 2026-09-14
MIT 研究者（Navid Azizan 团队，论文发表于 IEEE TPAMI）提出 HardFlow，一种免训练的即插即用方法，让预训练生成模型（扩散模型、flow-matching 模型如 FLUX）在输出端严格满足安全、物理等硬约束，适用于安全攸关场景。
核心思路
- 传统 projection-based sampling 在生成的每个中间步骤都强制满足约束，限制了模型的探索空间，也忽略了优化解质量的机会。
- HardFlow 只在最终输出上施加硬约束，把带约束采样重构成轨迹优化问题，借用最优控制工具沿采样轨迹做细微修正；再利用 flow-matching 模型的结构将大问题分解为一系列单步子问题，实现部署时高效求解。
实验结果
- 覆盖机器人操作、迷宫导航、文本引导图像编辑等任务，实现 100% 约束满足，同时解质量优于基线：机械臂能找到无碰撞且更快的路径，而多数方法要么碰撞要么路径更耗时。
- 计算时间与竞品持平或更低，且无需重训练模型，可直接用于现有预训练生成模型。
「具身」频道最新
- Walden Robotics CTO：通用机器人操作正迎来「GPT 时刻」 — adnothing · 2026-10-30
- Gym-Anything 团队因资源所限止步 25 仿真,公开招募扩量伙伴 — wellecks · 2026-10-30
- Gym-Anything 引入审计 Agent,专门用合法动作破坏环境找错 — wellecks · 2026-10-30
- NVIDIA 研究员：利用仿真特权信息训练机器人策略，改进 Pi 0.5 — wellecks · 2026-10-30
- CMU 用 Agent 自动建 25 个物理仿真:前沿模型测试任务 0 通过 — wellecks · 2026-10-30
- 仿真训练的关键红利:利用模拟器特权信息改进模型 — wellecks · 2026-10-30