用噪声起点选择机器人动作方式：MOSS真机行为指定率84%
生成式机器人策略往往能用多种方式完成同一任务，这项预印本给出了一种可靠指定具体方式的方法，而且无需重新训练，在推理阶段即可选择，对落地部署的机器人模型很实用。
生成式机器人策略会学到完成同一任务的多种合理方式，例如从左侧或右侧接近物体。即便训练数据中某一种方式远多于另一种，用户或上层规划器能否稳定地指定机器人执行哪一种。
扩散策略和流匹配策略能够表示多种行为，但最终执行哪一种取决于随机采样。常见做法是把期望模式作为条件输入，比如语言指令，但在示教数据不均衡时往往失效，因为网络会从丰富的视觉信息直接学到动作捷径，而忽略低维的条件信号。在源空间学习高斯混合先验的方法，其成分没有明确语义，还需额外网络与用户定义的模式对齐。
模式条件流匹配把所需模式输入速度场网络；GMM源流匹配在没有语义标注的情况下学习混合成分；Diffusion Policy、ACT、BET等无条件策略可以复现多种行为，却无法控制出现哪一种。
作者通过实验和理论证明，在确定性ODE传输下，不同行为模式本就来自起始噪声中不同的区域，只是实际中边界相互纠缠。MOSS把这一结构显式化：每个模式对应一个独立的高斯源，多模态强度估计器衡量当前状态下未来轨迹的分歧程度，在行为相似的阶段让各源靠拢，在分岔点附近让它们分开。模式标签只用于选择起始分布，不输入共享速度场，部署时从对应成分采样即可决定行为。
在Galaxea R1 Lite上的三项真实任务（放杯子、拾取蔬菜、开抽屉）中，MOSS两个模式的指定率分别为0.95和1.00、0.80和0.65、0.90和0.75，而模式条件基线在蔬菜和抽屉任务上各有一个模式为0.00。MEKAWIRE对六个数值取平均为84.2%对40.8%，与论文给出的43.3个百分点一致。真实平均成功率为85.3%，高于模式条件策略的73.3%和普通FM-DiT的68.3%，但抽屉任务上基线以0.85略高于MOSS的0.83。在四项双模式仿真任务中，平均指定率为96.4%，模式条件为94.5%，GMM源为74.0%；在Put Wine的一个模式上MOSS为0.86，低于基线的0.94。在10比90的不均衡数据下，仍有超过90%的概率执行少数模式。三项任务的消融实验中，单一共享高斯平均为67.0%，固定分离为85.5%，完整MOSS为98.8%。
该研究为预印本。模式必须是训练前设定的固定离散集合，无法覆盖开放式或连续的行为控制，作者也表示尚未在大规模生成式机器人策略中验证。真机实验只有一个平台上的三项双模式任务。仿真中相对普通模式条件方法的优势平均仅约2个百分点，优势主要体现在真实硬件和不均衡数据上，而支撑这一点的任务数量有限。
流匹配是Physical Intelligence的pi0系列以及众多人形和双臂机器人方案的动作生成方式，无需重训即可在推理时选择行为，对需要体现操作员偏好、安全约束或上层规划指令的场景很有价值，例如在拥挤工位中固定从一侧接近。测试平台为Galaxea R1 Lite，本体企业和具身智能数据采集方在示教数据常常偏向某种操作方式时，可借此保留少数动作。研究型方案现在即可试用，在大型VLA模型中的验证预计还需一年以上。
受许可协议限制，本站不转载该论文全文，仅提供摘要和原文链接。