Normalizing Flow Policy for Robot Manipulation

本文深入研究了归一化流策略在机器人操作中的应用。归一化流策略将动作序列建模为可逆变换过程，通过条件化观测生成多模态动作分布，在接触丰富的操作任务中显著优于传统高斯策略。文章分析了不同归一化流架构（RealNVP、Glow、Masked Autoregressive Flow、Neural Spline Flow）在机器人操作中的效果，提出了动作分块和时间一致性方法，并在多种操作任务上验证了归一化流策略在多模态动作表达和任务成功率上的优势。来源机构包括Google Robotics、Stanford、MIT等。