MOSAIC：机器人扩散策略的推理时控制

基于摘要分析。该研究针对机器人生成策略在部署时遇到训练中未覆盖的约束与目标，提出 MOSAIC：一种无梯度、模式与支持集感知的推理时控制框架。其核心贡献是在冻结预训练扩散模型的情况下调整生成过程的随机输入，并支持多个独立训练的机器人策略协同生成行为。 机制上，MOSAIC 将初始噪声及所有随机反向步骤的扰动视为预训练去噪过程的联合输入，根据完全去噪输出计算重要性权重，再据此调整该联合输入的分布。框架使用自适应惩罚平衡物理可行性与学习到的支持集一致性，并采用按模式划分的重要性加权更新，旨在保留不同模式、避免跨模式平均产生分布外预测。摘要未给出支持集判定、模式划分、惩罚更新及采样预算的具体实现。 作者将现有推理时引导方法的风险概括为：梯度引导可能使样本偏离学习到的先验，部分采样方法可能效率不足、发生模式坍塌或破坏性平均。MOSAIC 还通过共享耦合代价联合引导多个独立训练的扩散模型，无需训练联合模型。作者报告在导航、灵巧抓取、未见几何条件下的运动规划，以及使用独立机器人先验的协作箱体操作中，实现了新部署约束下的冻结先验适配与组合；摘要未提供定量指标、对照结果或统计信息，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 条件生成或 BCI 控制已有预训练扩散先验，并有可计算的输出约束，该随机输入重加权机制可能用于推理时约束适配。可考虑复用联合噪声优化与模式保留更新，但需改造约束代价、支持集估计及模式定义；低信噪比、跨被试差异、通道变化和小数据可能使输出代价或模式识别失准，迭代采样也可能不满足实时要求。一个可检验的小实验是在固定 EEG 条件生成模型、固定被试划分和相同采样预算下，对比原始采样与 MOSAIC 式重加权的约束满足率、生成多样性及延迟，不将其直接视为解码性能提升。已有 EEG 相关工作尚未检索确认。