Muninn: Your Trajectory Diffusion Model But Faster

📄 arXiv: 2605.09999v1 📥 PDF

作者: Gokul Puthumanaillam, Hao Jiang, Ruben Hernandez, Jose Fuentes, Paulo Padrao, Leonardo Bobadilla, Melkior Ornik

分类: cs.RO, cs.PF, eess.SY

发布日期: 2026-05-11

备注: Accepted to Robotics: Science and Systems 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出Muninn：一种无需重训练的轨迹扩散模型加速框架，实现实时机器人规划

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 轨迹规划 扩散模型 机器人控制 实时推理 模型加速 不确定性量化

📋 核心要点

  1. 扩散模型轨迹规划器因迭代去噪过程计算开销巨大，难以满足机器人实时控制的低延迟需求。
  2. Muninn通过分析去噪误差与轨迹偏差的解析关系，构建动态不确定性预算，实现智能的缓存复用策略。
  3. 该方法无需重训练即可在多种扩散架构上实现高达4.6倍的加速，并保证了轨迹的安全性与任务性能。

📝 摘要（中文）

基于扩散模型的轨迹规划器能够合成丰富且多模态的机器人运动，但其迭代去噪过程导致在线规划与控制速度极慢。现有的加速方法通常通过修改采样器或压缩网络来实现，但这往往以牺牲规划质量为代价，或需要重新训练且忽略了下游控制风险。本文提出了Muninn，一种无需重训练的缓存包装器，旨在使扩散轨迹规划器达到实时应用要求。Muninn的核心洞察在于利用扩散过程中的两个信号：轨迹表示变化的廉价探测以及描述去噪误差对状态更新影响的解析系数。通过离线校准，Muninn构建了一个不确定性预算，在采样过程中动态决定是复用缓存的去噪输出还是重新计算。实验表明，Muninn在多种轨迹扩散模型上实现了高达4.6倍的加速，同时保持了任务性能与安全性，并已在实时闭环导航与操作任务中得到验证。

🔬 方法详解

问题定义：扩散模型在轨迹规划中表现优异，但其迭代去噪过程导致推理延迟过高，无法满足机器人实时闭环控制的需求。现有加速方案（如蒸馏或采样器优化）通常需要昂贵的重训练过程，且难以兼顾规划质量与控制安全性。

核心思路：Muninn的核心思想是利用扩散模型内部的“不确定性预算”。通过分析去噪步骤中解析系数与轨迹偏差的关系，Muninn能够预测复用缓存去噪结果所带来的误差上限，从而在保证安全的前提下，通过跳过冗余计算实现加速。

技术框架：Muninn作为一个轻量级的缓存包装器（Wrapper）运行。在采样阶段，它实时监控当前去噪步骤的误差预算。若预测偏差在可控范围内，则直接复用缓存的去噪输出；若偏差超过阈值，则触发去噪器的重新计算，以确保轨迹的准确性。

关键创新：该方法最大的创新在于“训练无关性（Training-free）”与“误差可控性”。它不需要修改原始模型权重，而是通过离线校准得到的解析系数，将复杂的扩散动力学转化为可量化的不确定性预算，实现了计算效率与规划精度的动态平衡。

关键设计：关键技术细节包括：1. 轨迹表示变化的探测机制；2. 描述去噪误差对状态更新影响的解析系数计算；3. 动态决策逻辑，即在每一步扩散过程中，根据当前不确定性预算与预测偏差的比较结果，实时切换计算路径。

📊 实验亮点

Muninn在多个标准轨迹扩散模型上实现了高达4.6倍的墙上时钟时间（wall-clock）加速。实验结果证明，该方法在显著减少去噪器调用次数的同时，能够严格保证缓存轨迹与全计算轨迹之间的距离偏差在预设范围内，并在实际机器人导航与操作任务中保持了与原始模型相当的成功率与安全性。

🎯 应用场景

Muninn适用于对实时性要求极高的机器人领域，包括移动机器人的闭环导航、机械臂的动态避障与复杂操作任务。该技术能够显著降低扩散模型在嵌入式计算平台上的部署门槛，使高性能的生成式规划算法能够直接应用于实际硬件系统，提升机器人在动态环境下的响应速度与安全性。

📄 摘要（原文）

Diffusion-based trajectory planners can synthesize rich, multimodal robot motions, but their iterative denoising makes online planning and control prohibitively slow. Existing accelerations either modify the sampler or compress the network--sacrificing plan quality or requiring retraining without accounting for downstream control risk. We address the problem of making diffusion-based trajectory planners fast enough for real-time robot use without retraining the model or sacrificing trajectory quality, and in a way that works across diverse state-space diffusion architectures. Our key insight is that diffusion trajectory planners expose two signals we can exploit: a cheap probe of how their internal trajectory representation changes across steps, and analytic coefficients that describe how denoiser errors affect the sampler's state update. By calibrating the first signal against the second on offline runs, we obtain a per-step score that upper-bounds how far the final trajectory can deviate when we reuse a cached denoiser output, and we treat this bound as an uncertainty budget that we can spend over the denoising process. Building on this insight, we present Muninn, a training-free caching wrapper that tracks this uncertainty budget during sampling and, at each diffusion step, chooses between reusing a cached denoiser output when the predicted deviation is small and recomputing the denoiser when it is not. Across standard benchmarks Muninn delivers up to 4.6x wall-clock speedups across several trajectory diffusion models by reducing denoiser evaluations, while preserving task performance and safety metrics. Muninn further certifies that cached rollouts remain within a specified distance of their full-compute counterparts, and we validate these gains in real-time closed-loop navigation and manipulation hardware deployments. Project page: https://github.com/gokulp01/Muninn.