Execution-Aligned Progressive Noise for Consistent Asynchronous Replanning in Generative Robot Policies

📄 arXiv: 2610.06090v1 📥 PDF

作者: Di Wu, Ping Liu, Xuhua Chen, He Zheng, Lingfeng Zhang, Tao Zhang

分类: cs.RO

发布日期: 2026-10-05

备注: 8 pages, 7 figures, 5 tables. Project page: https://embodied.magiclab.top/works/eapn/index.html

💡 一句话要点

提出执行对齐渐进噪声以解决生成机器人策略中的异步重规划问题

🎯 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: 生成机器人策略 异步重规划 执行对齐 结构化随机性 多模态一致性 机器人操作 智能制造

📋 核心要点

  1. 核心问题：现有方法在连续异步重规划中面临独立随机初始化导致的模式切换和不一致性问题。
  2. 方法要点：提出EAPN，通过在块间和块内引入结构化随机性，增强生成策略的一致性和连续性。
  3. 实验或效果：EAPN在多个任务上表现优异，D3IL和Kinetix的成功率显著提升，真实机器人实验也取得了高成功率。

📝 摘要（中文）

连续的异步重规划对于实时生成机器人策略至关重要，但独立的随机初始化可能导致模式切换和动作块之间的不一致延续。本文提出了执行对齐渐进噪声（EAPN），在动作块间和内部引入结构化随机性。EAPN在重规划步骤中传播共享噪声轨迹，并与实际执行位移对齐，建立了执行对齐的块间相关性。在每个动作块内，它沿着动作时间建模时间相关性。对齐的随机历史进一步与已承诺的动作上下文结合，以条件后续生成，使新块能够从执行一致的生成状态继续，而不是从独立噪声重新开始。我们在D3IL、Kinetix、LIBERO和实际操作任务上评估了EAPN，结果显示其在D3IL上提高了多模态行为一致性，并在Kinetix上实现了88.59%的平均成功率。LIBERO上即使在长推理延迟下也保持强大的任务表现，真实机器人实验在物体存储任务中取得90.0%的成功率，在双手布料折叠任务中达到96.7%的成功率，展示了在异步重规划下的可靠连续执行。

🔬 方法详解

问题定义：本文旨在解决生成机器人策略中的连续异步重规划问题，现有方法因独立随机初始化而导致的模式切换和动作块间的不一致性是主要痛点。

核心思路：EAPN通过引入结构化的随机性，确保在重规划过程中保持一致性。通过对齐执行位移与噪声轨迹，增强了动作块之间的相关性。

技术框架：EAPN的整体架构包括两个主要模块：块间噪声传播和块内时间建模。块间模块负责共享噪声轨迹的传播，而块内模块则关注动作时间的时间相关性建模。

关键创新：EAPN的核心创新在于其执行对齐的噪声传播机制，使得新生成的动作块能够从一致的状态继续，而非从独立的随机噪声重新开始，这一设计显著提升了生成策略的连续性。

关键设计：在EAPN中，关键设计包括噪声轨迹的结构化传播、时间相关性的建模，以及与已承诺动作上下文的结合。这些设计确保了生成过程的稳定性和一致性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

EAPN在D3IL上提高了多模态行为一致性，并在Kinetix上实现了88.59%的平均成功率。LIBERO在长推理延迟下仍保持强大的任务表现，真实机器人实验在物体存储任务中取得90.0%的成功率，在双手布料折叠任务中达到96.7%的成功率，展示了其卓越的性能。

🎯 应用场景

该研究的潜在应用领域包括机器人操作、自动化制造和智能家居等场景。通过提高生成策略在异步重规划中的一致性，EAPN能够显著提升机器人在复杂环境中的适应能力和执行效率，具有广泛的实际价值和未来影响。

📄 摘要（原文）

Continuous asynchronous replanning is essential for real-time generative robot policies, but independent stochastic initialization can cause mode switching and inconsistent continuation across action chunks. We propose Execution-Aligned Progressive Noise (EAPN), which introduces structured stochasticity at both inter-chunk and intra-chunk levels. Across replanning steps, EAPN propagates a shared noise trajectory and aligns it with the actual execution displacement, establishing execution-aligned inter-chunk correlation. Within each action chunk, it models temporal correlation along action time. The aligned stochastic history is further combined with committed action context to condition subsequent generation, allowing new chunks to continue from execution-consistent generative states rather than restart from independent noise. We evaluate EAPN on D3IL, Kinetix, LIBERO, and real-world manipulation tasks. EAPN improves multimodal behavior consistency on D3IL and achieves an average success rate of 88.59% on Kinetix. On LIBERO, it remains robust and maintains strong task performance even under long inference delays. Real-robot experiments further achieve 90.0% success on Object Storage and 96.7% on bimanual Cloth Folding, demonstrating reliable continuous execution under asynchronous replanning.