MOSS: Mode-Oriented Source Shaping for Robot Flow Matching Policies
作者: Zirun Ma, Jindou Jia, Tuo An, Jiaqi Bai, Jiahua Dong, Jianfei Yang
分类: cs.RO
发布日期: 2026-10-15
💡 一句话要点
提出MOSS以解决机器人流匹配策略中的多模态选择问题
🎯 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) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机器人操作 多模态行为 生成策略 流匹配 模式选择 高斯源 模态强度估计
📋 核心要点
- 现有的生成策略在多模态行为的选择上依赖随机采样，缺乏主动控制能力，导致执行效率低下。
- MOSS通过将模式选择转化为生成起始位置的明确选择，构建了模式特定的高斯源，增强了对多模态行为的控制。
- 在实验中，MOSS在多项任务中实现了高达100%的目标模式引导成功率，并在不平衡数据集上恢复少数模式的指导率超过90%。
📝 摘要（中文）
在机器人操作中，相同的观察往往会产生多种可行的动作。生成策略如扩散和流匹配自然捕捉这种多模态行为，但执行哪个模式依赖随机采样，无法主动控制。我们提出了模式导向源塑形（MOSS），将模式选择转变为生成起始位置的明确选择。通过实证和理论分析，我们揭示了确定性流传输在源空间中引入的模式依赖结构。MOSS构建了语义对齐的模式特定高斯源，编码模式身份于初始噪声中，并通过模态强度估计器自适应控制模式特定源的几何形状。在6个模拟和3个真实世界的操作任务中，MOSS以高任务成功率引导目标模式，少数模式的恢复率超过90%。
🔬 方法详解
问题定义：本论文旨在解决机器人操作中多模态行为选择的随机性问题，现有方法在模式选择上缺乏有效控制，导致执行效率低下。
核心思路：MOSS通过明确选择生成起始位置来控制模式选择，利用确定性流传输的特性，构建语义对齐的模式特定高斯源，从而增强对多模态行为的控制能力。
技术框架：MOSS的整体架构包括模式特定高斯源的构建、模态强度估计器的设计，以及在推理阶段通过采样选择目标行为的流程。
关键创新：MOSS的核心创新在于将模式选择转化为源空间的明确选择，利用确定性流传输引入的模式依赖结构，显著提升了多模态行为的选择效率。
关键设计：在设计中，MOSS使用了模态强度估计器来预测局部多模态程度，并根据该程度自适应调整模式特定源的几何形状，以实现更好的行为分离和聚合。
🖼️ 关键图片
📊 实验亮点
实验结果显示，MOSS在6个模拟和3个真实世界的操作任务中，目标模式引导成功率高达100%，在10:90不平衡数据集上少数模式的恢复率超过90%，并在真实机器人上超越了模式条件流策略43.3个百分点的指导率。
🎯 应用场景
该研究在机器人操作领域具有广泛的应用潜力，尤其是在需要多模态决策的复杂任务中，如抓取、组装和人机协作等场景。MOSS的设计能够提高机器人在动态环境中的适应能力，未来可能推动智能机器人在实际应用中的普及与发展。
📄 摘要（原文）
In robotic manipulation, the same observation often admits multiple feasible actions. Generative policies such as diffusion and flow matching naturally capture such multimodal behaviors, yet which mode is executed is left to random sampling and cannot be actively controlled. We propose Mode-Oriented Source Shaping (MOSS), which turns mode selection into an explicit choice of where generation starts. We first reveal, both empirically and theoretically, that deterministic flow transport induces mode-dependent structure in the source space. Under ideal deterministic ODE transport, distinct behavioral modes have distinct source-space preimages, while practical approximation errors can blur their boundaries due to imbalanced data, limited model capacity, and few inference steps. Motivated by this source-space structure, MOSS constructs semantically aligned mode-specific Gaussian sources that encode mode identity in the initial noise. A modality-strength estimator predicts the local degree of multimodality, which adaptively controls the geometry of the mode-specific sources. It contracts them toward a shared Gaussian where behaviors are similar and separates them near behavioral branching points. During deployment, the desired behavior is selected at inference simply by sampling from the corresponding component. Across 6 simulated and 3 real-world manipulation tasks, MOSS steers to the target mode up to 100% of the time with high task success, recovers minority modes at over 90% guidance rate under a 10:90 imbalance dataset, and surpasses mode-conditioned flow policy by 43.3 points of guidance rate on real robots.