TOPS: Reshaping Flow Source and Transport for Multi-Task Robot Manipulation

📄 arXiv: 2610.36694v1 📥 PDF

作者: Tuo An, Chuhao Zhou, Jiahua Dong, Jingliang Li, Jiaqi Bai, Jindou Jia, Jianfei Yang

分类: cs.RO, cs.AI

发布日期: 2026-10-27

备注: Under review

💡 一句话要点

提出TOPS以解决多任务机器人操控中的流源与传输问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多任务操控 流基策略 机器人技术 高斯源先验 任务导向调度 数据效率 智能机器人

📋 核心要点

  1. 现有的流基策略在处理多任务操控时，难以满足不同任务的运动需求，导致执行效果不佳。
  2. TOPS通过构建多模态任务源和调整插值调度，针对每个任务优化流源先验，提升了任务执行的灵活性和准确性。
  3. 在LIBERO和CALVIN等数据集上的实验表明，TOPS显著提高了任务成功率和数据利用效率，尤其在真实场景中表现优异。

📝 摘要（中文）

基于流的策略在语言条件下的多任务操控中，通常共享单一的高斯源先验和通用的线性传输路径。然而，使用共享策略可靠地执行具有不同运动要求的多个任务仍然具有挑战性。本文提出了TOPS（任务导向先验和调度），该方法在不修改网络架构的情况下，针对每个任务调整流源先验和插值调度。TOPS首先从反向映射的专家动作序列构建多模态任务源，使语言指令能够选择生成的起始位置。通过源-目标协方差不匹配的指导，TOPS在去噪早期减缓向专家动作的过渡，并在需要扩展的方向上加速过渡。实验结果表明，TOPS在多个环境设置中提高了性能和数据效率。

🔬 方法详解

问题定义：本文旨在解决多任务机器人操控中，流基策略共享单一高斯源先验和线性传输路径所带来的性能瓶颈。现有方法难以适应不同任务的运动需求，导致执行效果不理想。

核心思路：TOPS通过为每个任务构建多模态任务源，并调整插值调度，来优化流源先验。这种设计使得语言指令能够灵活选择生成的起始位置，从而提高任务执行的准确性。

技术框架：TOPS的整体架构包括任务源构建、插值调度和流源调整三个主要模块。首先，通过反向映射专家动作序列构建多模态任务源；然后，根据源-目标协方差不匹配调整插值调度；最后，优化流源以适应特定任务的需求。

关键创新：TOPS的主要创新在于其任务导向的先验和调度机制，能够在不改变网络架构的情况下，针对不同任务动态调整流源和传输路径。这与现有方法的静态共享策略形成鲜明对比。

关键设计：在实现中，TOPS使用高斯端点模型进行分析，并通过调整调度策略降低速度预测风险。此外，关键参数设置和损失函数设计也经过精心调整，以确保在不同环境下的鲁棒性和效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，TOPS在LIBERO-10任务中的成功率从53.44%提升至69.67%，同时推理时间缩短至基线的六分之一。此外，TOPS在真实场景中的表现也显著提升，例如在上抽屉开启任务中成功率从20%提升至80%。

🎯 应用场景

该研究在多任务机器人操控领域具有广泛的应用潜力，能够提高机器人在复杂环境中的操作能力。未来，TOPS可应用于智能家居、工业自动化和服务机器人等场景，提升机器人对多样化任务的适应性和执行效率。

📄 摘要（原文）

Flow-based policies for language-conditioned multi-task manipulation commonly share a single $\textit{Gaussian}$ source prior and a common linear transport path across tasks. However, reliably executing multiple tasks with distinct motion requirements remains challenging for a shared policy. We introduce $\textbf{TOPS}$ ($\textbf{T}$ask-$\textbf{O}$riented $\textbf{P}$riors and $\textbf{S}$chedules), which adapts the flow source prior and interpolation schedule to each task without modifying the network architecture. TOPS first constructs multimodal task sources from reverse-mapped expert action sequences, allowing language instructions to select where generation begins. Guided by source-target covariance mismatch, it then slows the transition toward expert actions early in denoising and accelerates it later along directions requiring expansion. Under a $\textit{Gaussian}$ endpoint model, our analysis shows that this schedule adjustment can lower an upper bound on velocity-prediction risk. Experiments on LIBERO, LIBERO-Plus, and CALVIN demonstrate improved performance across in-distribution, perturbation and cross-environment settings, alongside better data efficiency. Using one integration step, TOPS raises LIBERO-10 success from $53.44\%$ to $69.67\%$ compared with ten-step Standard Flow Matching (FM), while reducing inference time to approximately one-sixth of the baseline. TOPS also yields consistent gains when transferred to the large-scale flow-based $π_{0.5}$ policy across all four evaluated settings. Real-world experiments further demonstrate improved task success, including an increase from $20\%$ with standard FM to $80\%$ with TOPS on the upper-drawer opening task.