机器人做实时路径规划时，用扩散模型生成轨迹，之前算不确定性要靠蒙特卡洛采样，这一步慢到跟不上毫秒级的控制需求。
原来的问题：扩散模型的不确定性太“贵”
扩散模型能表示复杂多变的多模态轨迹分布，但要从里面挖不确定性，通常得花蒙特卡洛采样的成本——这是个挺实在的痛点。机器人要实时控制，必须快速评估风险、守住安全边界，慢几毫秒都可能出问题，所以之前这套方案很难用到真的控制场景里。
SCOPE的核心：轻量模块不用重复采样
这次提的SCOPE，全称是Score-Curvature for Online Precision Estimation，是个加在扩散轨迹模型上的轻量模块。它不用反复做蒙特卡洛采样，而是通过提炼得分曲率的信息，围绕每条标称轨迹学习出结构化的精度矩阵，生成校准过的高斯管。开销低，还能输出每个时间步的协方差估计——这东西用处不小，既可以当移动体的预测占用参考，也能当机器人控制的自适应探索指南。
验证：四个场景闭环表现更好
团队用模式条件多模态扩散骨干，在行人预测、人群导航、Maze2D控制、真实Franka Panda操作这四个场景测了SCOPE。结果很明确：SCOPE能快速输出不确定性估计，对应的闭环性能比之前的方案更好。项目页面在zackaxue.github.io/SCOPE-project-page/，有兴趣可以去看细节。
对了，现在机器人控制对反应速度的要求越来越高，这种靠提炼已有模型信息的不确定性方案，会不会比重新训练小模型更快落地？
素材来源：arXiv (LLM/多模态新论文) · AI情报、AI应用落地、具身智能、科研前沿
查看报道原文
本文由 WeValue 情报引擎基于公开报道整理改写
发表第一条评论吧