在近年来，流匹配已成为生成建模机器人运动生成的突出方法。流匹配在其通用形式中是一个基于常微分方程（ODE）的神经采样器，通过回归与运动样本相关的经验流场进行训练。
然而，在机器人运动生成中，我们经常面临一些在收集数据时未能考虑的额外约束。大多数当前的方法是在可用数据上训练流，并在推理时使用指导来强制执行特定任务的约束。
为了解决这一不匹配问题，我们提出了 ConFlow，一个约束引导的流匹配框架，该框架通过可微分的障碍或成本函数将约束信息直接纳入训练目标。为了满足平滑性和边界条件等设计规范，我们建议用条件高斯过程替代流匹配训练中使用的标准高斯源分布。
我们的方法还利用不可行的演示作为负监督，改善了约束满足，而无需额外的专家数据。在两个机器人导航任务上的实验表明，ConFlow 在标准流匹配基线的基础上，无论是否有推理时指导，均实现了更低的碰撞率和更高的轨迹质量。这些结果验证了在训练时整合约束作为缩小生成运动模型中训练与推理差距的有效方法。
博主点评： ConFlow 通过将约束信息直接融入训练过程，显著提高了机器人运动生成的质量与安全性。这一创新方法不仅提升了流匹配的应用潜力，也为未来的智能机器人设计提供了新的思路。其在处理不可行示例方面的策略尤为引人注目，展示了如何利用现有数据增强模型的鲁棒性。