BridgeFlow: Fast and Robust SE(2)-Equivariant Motion Planning with Flow Matching

📄 arXiv: 2607.14725v1 📥 PDF

作者: Xinzhe Zhou, Xuyang Wang, Xiaoming Duan, Jianping He

分类: cs.RO

发布日期: 2026-07-16

备注: Accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026). 8 pages, 7 figures

💡 一句话要点

提出BridgeFlow以解决机器人运动规划中的等变性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion)

关键词: 运动规划 等变性 机器人技术 生成模型 实时推理 布朗桥 最优传输 环境感知

📋 核心要点

  1. 现有的学习型运动规划方法缺乏固有的等变性，导致对变换任务的处理效率低下。
  2. BridgeFlow通过轻量级的规范化模块实现SE(2)-等变性，避免了复杂网络的计算瓶颈。
  3. 实验结果显示，BridgeFlow在推理速度和有效轨迹率上显著优于现有的扩散基线方法。

📝 摘要（中文）

在机器人运动规划中，对刚体变换的等变性对于空间泛化至关重要。然而，现有的基于学习的规划器面临一个关键困境：要么缺乏固有的等变性，将变换后的任务视为新场景，要么通过计算成本高昂的专用架构来强制实现等变性，从而限制实时推理。为了解决这一权衡，本文提出了BridgeFlow，一个快速且严格的SE(2)-等变生成运动规划框架。BridgeFlow通过轻量级的任务中心规范化模块实现精确的空间等变性，能够使用标准架构进行泛化。此外，结合布朗桥信息先验与上下文感知的小批量最优传输，进一步加速推理。实验结果表明，BridgeFlow在密集的2D环境和7自由度的Franka操纵器上实现了高达15倍的推理速度提升和2倍的有效轨迹率，且对完全未见的环境和任意空间变换具有强大的泛化能力。

🔬 方法详解

问题定义：本文旨在解决机器人运动规划中对刚体变换的等变性问题。现有方法要么缺乏等变性，导致处理效率低下，要么依赖复杂架构，限制实时推理能力。

核心思路：BridgeFlow的核心思路是通过轻量级的任务中心规范化模块实现精确的空间等变性，从而避免使用计算成本高昂的专用网络。该方法能够在标准架构上进行泛化，提高了效率和灵活性。

技术框架：BridgeFlow的整体架构包括任务中心规范化模块、布朗桥信息先验和上下文感知的小批量最优传输。这些模块协同工作，构建一个优化的向量场，降低传输成本并稳定训练过程。

关键创新：BridgeFlow的主要创新在于其轻量级的规范化模块和结合布朗桥先验的推理加速策略。这与现有方法的本质区别在于，前者不依赖复杂的等变网络，后者通过优化传输过程显著提高了推理速度。

关键设计：在设计中，BridgeFlow采用了特定的损失函数来优化轨迹生成，并通过上下文感知机制增强环境感知能力。此外，网络结构经过精心调整，以确保在保持高效性的同时实现准确的运动规划。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，BridgeFlow在密集的2D环境中实现了高达15倍的推理速度提升，并且在7自由度的Franka操纵器上有效轨迹率提高了2倍。这些结果显示了其在实际应用中的优越性能，尤其是在未见环境中的强泛化能力。

🎯 应用场景

BridgeFlow的研究成果在多个领域具有广泛的应用潜力，包括自主机器人、无人驾驶汽车和工业自动化等。其高效的运动规划能力可以显著提升机器人在复杂环境中的操作灵活性和安全性，推动智能机器人技术的进一步发展。

📄 摘要（原文）

In robotic motion planning, equivariance to rigid body transformations is crucial for robust spatial generalization. However, current learning-based planners face a critical dilemma: they either lack inherent equivariance, treating transformed tasks as novel scenarios, or enforce it via computationally expensive specialized architectures that bottleneck real-time inference. To break this trade-off, we propose BridgeFlow, a fast and strictly SE(2)-equivariant generative motion planning framework. Rather than relying on heavy equivariant networks, BridgeFlow achieves exact spatial equivariance via a lightweight task-centric canonicalization module, enabling generalization using standard architectures. To further accelerate inference, we pair a Brownian bridge informative prior with context-aware mini-batch optimal transport. This constructs a straightened vector field that minimizes transport costs and stabilizes training. Furthermore, environmental awareness is explicitly embedded via Classifier-Free Guidance. Evaluations in dense 2D environments and on a 7-DoF Franka manipulator demonstrate that BridgeFlow achieves up to a 15x inference speedup and a 2x higher valid trajectory rate over state-of-the-art diffusion baselines, alongside robust generalization to entirely unseen environments and arbitrary spatial transformations.