CL-DiffPhyCon 顯著提升了控制效率和效果。

原標題：ICLR 2025 | 西湖大學提出閉環擴散控制策略，高效與閉環兼得
文章來源：機器之心
內容字數：12717字

西湖大學團隊提出CL-DiffPhyCon框架：高效閉環控制復雜物理系統

本文介紹了西湖大學人工智能系吳泰霖團隊最新提出的CL-DiffPhyCon框架，該框架有效解決了現有擴散模型在復雜物理系統閉環控制中效率與效果難以兼顧的問題，相關論文已被ICLR 2025接收。

1. 研究背景：高效閉環控制的挑戰

在科學研究、工程實踐和具身智能等領域，高效閉環控制至關重要。傳統控制方法以及深度學習、強化學習等方法都存在效率或適用性方面的局限。基于擴散模型的DiffPhyCon等方法雖然在復雜物理系統控制中表現出色，但其在閉環控制應用中面臨著高昂的采樣成本和時序一致性問題。現有方法難以平衡控制效果和效率，例如在線重新規劃策略（RDM）也需要額外的計算開銷和超參數調試。

2. CL-DiffPhyCon框架的核心貢獻

CL-DiffPhyCon框架的核心思想是解耦擴散模型中的物理時間步和去噪過程，允許不同的物理時間步呈現不同的噪聲水平，從而實現高效的閉環控制序列生成。該方法主要有以下優勢：

1. 高效采樣：通過異步并行去噪技術，顯著減少計算成本，提高采樣效率。

2. 閉環控制：根據環境實時反饋調整控制策略，提高控制效果。

3. 加速采樣：可與DDIM等加速采樣技術結合，進一步提升效率。

3. 方法介紹：同步與異步擴散模型

CL-DiffPhyCon訓練了兩個擴散模型：

1. 同步擴散模型：預測同步聯合隱變量中的噪聲，用于采樣初始的異步聯合隱變量。

2. 異步擴散模型：預測異步聯合隱變量中的噪聲，用于實現解耦的異步去噪，并根據環境反饋進行閉環控制。

閉環控制過程包含四個步驟：獲取當前狀態和異步聯合隱變量；利用異步擴散模型去噪；將控制信號輸入環境；獲取反饋并更新狀態，進入下一個時間步。

4. 理論分析與實驗結果

論文從理論上分析了兩個擴散模型的必要性，證明了其能夠滿足閉環控制要求。在 Burgers 方程控制和二維煙霧間接控制兩個任務上，CL-DiffPhyCon均顯著優于對比方法，包括PID、行為克隆、BPPO、RDM和DiffPhyCon等。在采樣效率方面，CL-DiffPhyCon比其他方法快數倍，結合DDIM后加速效果更明顯。

5. 總結與展望

CL-DiffPhyCon為高效閉環控制提供了一種創新方案，在復雜物理系統控制中具有顯著優勢。未來研究方向包括探索在線學習和優化采樣策略，以及進一步研究誤差界。

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺