EqC以能量路径报警求助,叠衣自主率30%升至98.3%

EqC: Equilibrium Energy Control for Introspective Lifelong Robot Learning

Haodong Yang, Runhan Huang, Bowen Zhang, Iofai Lei, Zunzhe Zhang, Xiangcheng Zhang, Shaoting Zhu, Linzhan Mou, Yicheng Liu, Hang Zhao

cs.RO

2026-10-14

EqC把动作生成写成能量爬升,用路径能量一致性决定何时请专家。叠衣12条回收后,自主率从30%升到98.3%。

这篇在解决什么

扩散策略和 flow matching 的 VLA 上线之后,多半还是静态动作生成器。图像、语言和本体感觉进去,一段 action chunk 出来,机器人执行前几步再重规划。熟悉的摆放能做完。接触打滑、遮挡,或初始位姿偏一点,同一条策略就靠不住。

缺的是当时的能力判断。接管太晚,留下失败;接管太勤,又打断本来能做完的回合。终身学习要把专家呼叫压在能力边界附近。DAgger 的循环本身已经清楚,何时开口却要外接动作误差、集成分歧、新奇度,或 Diff-DAgger 的流匹配损失。终端能量被用来标视觉异常之后,还没有驱动真机上的数据聚合。EqC 用同一个条件能量场管生成,也管求助。

方法

条件 z 含图像、语言和本体感觉,输出连续动作块 a。能量取有效维度上的内积 Eθ(x, z)=⟨x, fθ(x, z)⟩。对动作求梯度,得到一张平稳的高度图:只跟当前动作和条件有关,不随桥上的时间变形。Equilibrium Matching 和 GeCO 把能量留在隐式动态里。标量写显式之后,上升过程中能量该增加多少可以对账,动作更新仍沿这条梯度走。

训练用噪声到专家动作的桥。t=0 为噪声,t=1 为数据,d=a−ε,xt=ε+td。损失让梯度对齐 c(t)d,报告的日程是 c(t)=min{4, 20(1−t)}。时间只出现在监督里。推理从高斯噪声沿梯度上升,执行短前缀再重规划;步长稳时能量单调升。Diffusion Transformer 与 π0、π0.5 共用这个接口。VLA 保留多模态前缀和动作专家,把模型时间固定在 0,用 E=⟨x, vθ(x, o, 0)⟩ 换掉 flow matching。

内省看的是整条路径,不是终点能量的大小。梯度如果匹配,走到专家动作的能量差应等于 ‖d‖² 乘剩余日程积分。部署时没有专家动作,就把本次终点当作锚,把每一步投到「噪声到终点」的弦上,对归一化能量剩余和参考的绝对残差取平均,得到 UΔE。贴着学过的几何,分数就低。不需要另训不确定性模型。

Energy-Gated DAgger 在每个前缀之前读 UΔE。连续 m 次超过 γ 才请专家接手,回收轨迹进入下一轮。真机取 γ=0.2。单次尖峰不触发。

结果

分布内成功率多是一个点以内的变化。扰动、失败检测和真机闭环才拉开。

评测对照EqC
LIBERO-DiT 平均DP 86.5%,RF 90.0%,GeCO 93.5%94.0%(多种子 93.95±0.66)
LIBERO,π094.2%,GeCO 93.9%94.3%
LIBERO-Plusπ0 53.6%65.8%
RoboTwin 易/难π0 49/18,GeCO 50/2863/33
VLABenchπ0 29.4%,π0.5 24.5%36.7%,27.1%
真机三项平均,各 20 次G0.5 63.3%91.7%
失败检测 AUROCDiff-DAgger 0.84300.9244
积木堆叠,30 条回收起点 0%,Diff-DAgger 80.0%,人工 58.3%96.7%
叠衣,12 条回收起点 30.0%,Diff-DAgger 81.7%,人工 55.0%98.3%

LIBERO-Plus 上,相机视角 15.8% 到 61.7%,机器人初始位姿 6.6% 到 39.0%。语言扰动 61.0% 到 54.8%,传感器噪声 79.4% 到 74.3%,这两项下降。DiT 的 Object 套件,GeCO 发表结果 99.0% 仍高于 EqC 的 98.1%;Long 套件 EqC 为 85.5%,Rectified Flow 为 76.0%,GeCO 为 83.8%。同协议复现的多种子均值是 Rectified Flow 89.12%、GeCO 92.30%。RoboTwin 的 Hard 设置里,Adjust Bottle 从 56% 到 76%,Click Alarmclock 从 11% 到 32%,按尺寸排序仍接近 0。VLABench 的 T4 从 17.3% 降到 15.8%。

真机控制是另一组实验:插花 45% 到 80%,叠毛巾 80% 到 95%,扫碎屑 65% 到 100%。平均重规划延迟从 432.4 ms 到 543.9 ms。上面的叠衣和积木属于终身学习,不要和这三项静态度量混成一次实验。失败检测以最终成败作标签,10% 回合标定窗口和阈值,假阳率压在约 10%。主表工作点 m=11 上,真阳/假阳从 61.3%/10.2% 到 77.9%/8.5%,失败回合省下的时间从 33.3% 到 45.5%。把流损失检测器安到 EqC 骨干上,AUROC 为 0.8888,高于原版,低于路径分数。终点能量的 AUROC 只有 0.52 到 0.65,整条路径在 m=13 时到 0.930。蒙特卡洛样本加到 128 仍填不上。分层积木的真机检测里,成功和失败各 25 条,UΔE 在失败早期抬起,Diff-DAgger 的曲线大段重叠。终身学习三轮重复,每个检查点每轮 20 次自主评测。积木之后接杯子堆叠,正文报告双任务自主率回到 100%。

为什么重要

DiT 或 π0 可以留下观测编码和动作接口,改的是动作目标,以及推理时沿着能量往上走。同一条能量既出控制,也出要不要继续自主的判据。部署时不必再提供专家动作。

叠衣 12 条回收、积木 30 条回收,就把要人接手的情形收成接近做完。人盯着按接管,同预算停在 55% 到 58%。分布内那一个点左右的成功率,是渐进改进。有用的是相机和初始位姿上的鲁棒性,以及呼叫落在能力边界上。专家仍在环里。

局限与存疑

实验限于连续动作块和平稳细化日程。混合动作、记忆和分层策略没有做。阈值与干预预算换机体、换更长部署是否还适用,正文写明没有验证。

平均分盖不住退步。语言扰动、传感器噪声和 VLABench 的 T4,EqC 低于 π0;尺寸排序则全体接近 0。能量几何稳住的是优化路径,没有多出语义理解。

终身学习只有三轮、每点 20 次,正文不给逐轮标准差。扫碎屑的 100% 也是 20 次里的 20 次。人工远差于自动门控,可能是下手晚,也可能是遥操作片段的长度和质量不同;正文只保证数据和训练预算相同。γ=0.2 与窗口 m 来自标定,换任务要不要重标,主文没有答案。跨任务回到 100% 只有一句,遗忘曲线不在正文。动作明显多峰时,平稳能量场相对时变回归器那笔逼近损失会不会伤成功率,也没有单独测。发表基线里的 GeCO 是 93.5%,他们自己的多种子复现是 92.30%,读主表时这个差距要算进去。

术语

原文与代码

社区讨论

相关论文

全部论文解读