ConFlow：基于约束引导的流匹配运动生成方法
本文提出ConFlow框架，将约束信息直接融入流匹配训练目标，通过可微的障碍或成本函数以及条件高斯过程，提高机器人运动生成中的约束满足和轨迹质量。实验表明在双机器人导航任务中，ConFlow相比标准流匹配基线实现了更低的碰撞率和更高的轨迹质量。
近日，一篇题为《ConFlow: Constraints-Guided Learning with Flow Matching for Motion Generation》的论文提出了一种名为ConFlow的新型框架，旨在解决机器人运动生成中的约束指导学习问题。该研究由Nutan Chen、Jianxiang Feng、Marvin Alles和Botond Cseke共同完成，并被收录于RSS 2026 Workshop on Diffusion for Robot Learning。
近年来，流匹配（Flow Matching）已成为机器人运动生成中一种重要的生成建模方法。其基本形式是一种基于常微分方程（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，常常存在一些数据中未体现的额外约束，例如避障、平滑性和边界条件等。当前大多数方法在可用数据上训练流模型，并在推理时通过引导（guidance）来强制执行任务特定约束。这种训练与推理之间的不匹配可能导致生成轨迹质量下降或约束违反。
为了弥补这一不匹配，ConFlow提出了一种约束引导的流匹配框架。该框架通过可微的障碍函数或成本函数将约束信息直接融入训练目标，使模型在训练阶段就能学习到约束条件。具体而言，ConFlow采用条件高斯过程（Conditional Gaussian Process）替代标准流匹配训练中常用的高斯源分布，从而能够处理平滑性和边界条件等设计规范。此外，该方法还利用不可行演示（infeasible demonstrations）作为负监督信号，在不需额外专家数据的情况下进一步提高约束满足度。
在双机器人导航任务上的实验结果表明，ConFlow在有无推理时引导的情况下均实现了比标准流匹配基线更低的碰撞率和更高的轨迹质量。这些结果验证了训练时约束集成作为缩小生成运动模型中训练与推理差距的有效方法，为机器人运动生成领域提供了新的思路。该研究的代码和论文已在arXiv上公开（arXiv:2607.14424）。