BridgePolicy: Diffusionsmodell steigert robotische Kontrolle

Ein neues generatives Modell namens BridgePolicy nutzt Diffusionsmodelle, um die Steuerung von Robotern zu verbessern. Im Gegensatz zu bisherigen Ansätzen, die Beobachtungen lediglich als Konditionierung für das Denoising-Netzwerk einsetzen, integriert BridgePolicy die Beobachtungen direkt in die stochastische Differentialgleichung des Diffusionsprozesses. Dadurch kann die Sampling-Phase nicht mehr von rein zufälligem Gaußrauschen starten, sondern von einer reichhaltigen, informationsbasierten Priorität, was die Präzision und Zuverlässigkeit der Steuerung deutlich erhöht.

Ein zentrales Problem bei klassischen Diffusionsbrücken ist die Notwendigkeit gleicher Dimensionalität der Ausgangs- und Zielverteilungen. Robotische Beobachtungen sind dagegen heterogen und multimodal, sodass sie nicht automatisch mit dem Aktionsraum übereinstimmen. BridgePolicy löst dieses Problem mit einem mehrmodalen Fusion-Modul und einem semantischen Alignern, die visuelle und Zustandsdaten zusammenführen und die Repräsentationen von Beobachtung und Aktion aufeinander abstimmen. So wird die Brücke auf die komplexen Daten von Robotern anwendbar.

In umfangreichen Tests wurden 52 Simulationsaufgaben auf drei Benchmarks sowie fünf reale Aufgaben durchgeführt. BridgePolicy übertraf dabei konsequent die führenden generativen Policies in Bezug auf Genauigkeit und Zuverlässigkeit. Die Ergebnisse zeigen, dass die direkte Einbettung von Beobachtungen in die Diffusionsdynamik einen bedeutenden Fortschritt für die robotische Steuerung darstellt.