ConFlow：基於約束引導的流匹配運動生成方法
本文提出ConFlow框架，將約束資訊直接融入流匹配訓練目標，透過可微的障礙或成本函式以及條件高斯過程，提高機器人運動生成中的約束滿足和軌跡質量。實驗表明在雙機器人導航任務中，ConFlow相比標準流匹配基線實現了更低的碰撞率和更高的軌跡質量。
近日，一篇題為《ConFlow: Constraints-Guided Learning with Flow Matching for Motion Generation》的論文提出了一種名為ConFlow的新型框架，旨在解決機器人運動生成中的約束指導學習問題。該研究由Nutan Chen、Jianxiang Feng、Marvin Alles和Botond Cseke共同完成，並被收錄於RSS 2026 Workshop on Diffusion for Robot Learning。
近年來，流匹配（Flow Matching）已成為機器人運動生成中一種重要的生成建模方法。其基本形式是一種基於常微分方程（ODE）的神經取樣器，透過迴歸與運動樣本相關的經驗流場進行訓練。然而，在機器人運動生成中，常常存在一些資料中未體現的額外約束，例如避障、平滑性和邊界條件等。當前大多數方法在可用資料上訓練流模型，並在推理時透過引導（guidance）來強制執行任務特定約束。這種訓練與推理之間的不匹配可能導致生成軌跡質量下降或約束違反。
為了彌補這一不匹配，ConFlow提出了一種約束引導的流匹配框架。該框架透過可微的障礙函式或成本函式將約束資訊直接融入訓練目標，使模型在訓練階段就能學習到約束條件。具體而言，ConFlow採用條件高斯過程（Conditional Gaussian Process）替代標準流匹配訓練中常用的高斯源分佈，從而能夠處理平滑性和邊界條件等設計規範。此外，該方法還利用不可行演示（infeasible demonstrations）作為負監督訊號，在不需額外專家資料的情況下進一步提高約束滿足度。
在雙機器人導航任務上的實驗結果表明，ConFlow在有無推理時引導的情況下均實現了比標準流匹配基線更低的碰撞率和更高的軌跡質量。這些結果驗證了訓練時約束整合作為縮小生成運動模型中訓練與推理差距的有效方法，為機器人運動生成領域提供了新的思路。該研究的程式碼和論文已在arXiv上公開（arXiv:2607.14424）。