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
- 看机器人 demo 别只看成功:换光照换环境再数失败次数 — paigeinsf · 2026-09-14
- 机器鸭 MicroDuck 学会爬梯，行走只是起点 — econoar · 2026-09-14
- Proxy Policy Steering：不动权重、用残差引导 VLA 学新任务 — weichiuma · 2026-09-14
- 特斯拉中国宣布 9 月 17 日起在上海北京展出 Cybercab — yunta_tsai · 2026-09-14
- MIT 系公司用 AI 机器人把废塑料造成建材，桁架承重超 4000 磅 — MIT News AI · 2026-09-14
- 优必选万台级人形机器人工厂投产，蔚山AI数据中心扩至900兆瓦 — 创业邦 · 2026-09-14