ICLR 2025 | 西湖大学提出闭环扩散控制策略，高效与闭环兼得

CL-DiffPhyCon 显著提升了控制效率和效果。

原标题：ICLR 2025 | 西湖大学提出闭环扩散控制策略，高效与闭环兼得
文章来源：机器之心
内容字数：12717字

西湖大学团队提出CL-DiffPhyCon框架：高效闭环控制复杂物理系统

本文介绍了西湖大学人工智能系吴泰霖团队最新提出的CL-DiffPhyCon框架，该框架有效解决了现有扩散模型在复杂物理系统闭环控制中效率与效果难以兼顾的问题，相关论文已被ICLR 2025接收。

1. 研究背景：高效闭环控制的挑战

在科学研究、工程实践和具身智能等领域，高效闭环控制至关重要。传统控制方法以及深度学习、强化学习等方法都存在效率或适用性方面的局限。基于扩散模型的DiffPhyCon等方法虽然在复杂物理系统控制中表现出色，但其在闭环控制应用中面临着高昂的采样成本和时序一致性问题。现有方法难以平衡控制效果和效率，例如在线重新规划策略（RDM）也需要额外的计算开销和超参数调试。

2. CL-DiffPhyCon框架的核心贡献

CL-DiffPhyCon框架的核心思想是解耦扩散模型中的物理时间步和去噪过程，允许不同的物理时间步呈现不同的噪声水平，从而实现高效的闭环控制序列生成。该方法主要有以下优势：

1. 高效采样：通过异步并行去噪技术，显著减少计算成本，提高采样效率。

2. 闭环控制：根据环境实时反馈调整控制策略，提高控制效果。

3. 加速采样：可与DDIM等加速采样技术结合，进一步提升效率。

3. 方法介绍：同步与异步扩散模型

CL-DiffPhyCon训练了两个扩散模型：

1. 同步扩散模型：预测同步联合隐变量中的噪声，用于采样初始的异步联合隐变量。

2. 异步扩散模型：预测异步联合隐变量中的噪声，用于实现解耦的异步去噪，并根据环境反馈进行闭环控制。

闭环控制过程包含四个步骤：获取当前状态和异步联合隐变量；利用异步扩散模型去噪；将控制信号输入环境；获取反馈并更新状态，进入下一个时间步。

4. 理论分析与实验结果

论文从理论上分析了两个扩散模型的必要性，证明了其能够满足闭环控制要求。在 Burgers 方程控制和二维烟雾间接控制两个任务上，CL-DiffPhyCon均显著优于对比方法，包括PID、行为克隆、BPPO、RDM和DiffPhyCon等。在采样效率方面，CL-DiffPhyCon比其他方法快数倍，结合DDIM后加速效果更明显。

5. 总结与展望

CL-DiffPhyCon为高效闭环控制提供了一种创新方案，在复杂物理系统控制中具有显著优势。未来研究方向包括探索在线学习和优化采样策略，以及进一步研究误差界。

联系作者

文章来源：机器之心
作者微信：
作者简介：专业的人工智能媒体和产业服务平台