“`markdown
ET-SEED：等变扩散策略助力机器人操作泛化能力飞跃
导语： 机器人操作技能的泛化能力一直是人工智能领域的研究热点。近日，北京大学董豪老师团队在 ICLR 2025 上发表论文，提出了一种名为 ET-SEED 的高效等变扩散策略，为解决这一难题带来了新的曙光。
北京，2025年3月6日 – 在人工智能领域顶级会议 ICLR 2025 上，北京大学前沿计算研究中心董豪老师组发表了一篇题为 ET-SEED: Efficient Trajectory-Level SE (3) Equivariant Diffusion Policy 的论文，引起了业界的广泛关注。该研究提出了一种轨迹级别 SE (3) 等变的扩散策略（ET-SEED），通过巧妙地将等变表示学习和扩散策略相结合，使得机器人能够在极少的示范数据下高效学习复杂的操作技能，并具备强大的泛化能力，能够适应不同的物体姿态和环境。
这项研究由北京大学、新加坡国立大学的科研人员共同完成，其中铁宸睿（北京大学本科毕业，现为新加坡国立大学博士生）、陈越（北京大学硕士生）和吴睿海（北京大学博士生）为共同第一作者，董豪（北京大学助理教授）为通讯作者。
机器人操作的泛化难题
在机器人操作任务中，模仿学习是一种常用的方法，可以使机器人学习各种操作技能，例如开门、书写、折叠衣物等。然而，传统的模仿学习方法往往需要大量的示范数据，并且当物体的空间姿态超出训练分布时，模型的泛化能力会显著下降，导致执行失败。
例如，一个在桌面中央学习到的物体抓取策略，可能在物体位于桌角或旋转一定角度后完全失效。虽然现有方法尝试通过数据增强或对比学习来缓解这一问题，但它们往往需要额外的任务特定知识或额外训练，并且无法在理论上保证空间泛化能力。
ET-SEED 的核心思想与创新
ET-SEED 的核心思想是利用物理世界中广泛存在的对称性，例如刚体运动具有 SE (3) 等变性。这意味着，如果物体发生平移或旋转，相应的操作轨迹也应当相应变化。例如，在不同角度的纸张上书写，笔迹的轨迹应该随纸张旋转；在不同位置的门上执行开门操作，轨迹应相应变化，而不是重新学习新的策略；在不同初始状态的衣物上执行折叠操作，轨迹应能自动适配。
基于这一思想，ET-SEED 提出了一种轨迹级的 SE (3) 等变扩散策略，使得机器人能够在少量示范数据下高效学习，并泛化到未见过的物体姿态和场景。
ET-SEED 的核心创新点包括：
- 轨迹级 SE (3) 等变扩散建模： ET-SEED 直接在 SE (3) 流形上建模，使得轨迹在 3D 旋转和平移变换下保持等变性。
- 降低训练复杂度的等变扩散过程： ET-SEED 拓展了现有的等变扩散理论，证明仅需一个等变去噪步骤即可保证最终轨迹的等变性，从而显著降低训练难度，同时保持泛化能力。
- 结合 SE (3) Transformer 的扩散去噪策略： ET-SEED 结合了 SE (3) Transformer 并通过在 SE (3) 流形上定义动作空间，构建了一种新的等变网络架构。
- 适用于多种操作任务： ET-SEED 在多种具有代表性的机器人操作任务中均表现出色，包括刚体操作任务、关节物体操作、长程任务和可变形物体操作。
实验验证与性能提升
为了验证 ET-SEED 的有效性，研究人员在仿真环境 Isaac Gym 和 Isaac Sim 上设计并搭建了六个具有代表性的机器人操作任务环境，包括旋转三角形、开瓶盖、开门、机器人书法、折叠衣物和甩平衣物。实验结果表明，ET-SEED 比现有方法更高效地利用示范数据，在数据效率、泛化能力和计算开销方面均取得了突破性的提升。
未来展望
ET-SEED 的成功为机器人操作技能的泛化能力提升提供了一种新的思路和方法。随着人工智能技术的不断发展，我们有理由相信，未来的机器人将能够更加智能、灵活地完成各种复杂的操作任务，为人类的生活和工作带来更大的便利。
参考文献：
- 论文链接：https://arxiv.org/pdf/2501.00879
- 项目主页：https://et-seed.github.io/
- 文章代码：https://github.com/yuechen0614/ET-SEED
关于机器之心AIxiv专栏：
AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqzhixin.com
“`
Views: 0