当前位置：首页 > news >正文

深度生成模型（一）——具身智能综述与算法分类简介

news 来源：原创 2025/9/13 16:08:03

具身智能对于机器人的控制可以分为端到端模型和非端到端模型：

端到端模型：具身模型（如 ACT 和 DP）将视觉感知（Vision）与动作生成（Action）整合为单一神经网络，直接实现从多模态输入到连续动作的端到端映射。采用 CLIP 或 ViT 处理 RGB/Depth 图像，提取场景的语义特征，然后基于扩散策略模型（Diffusion Policy）或 Transformer 解码器生成末端空间位置信息
非端到端模型：具身分层模型（如 OpenVLA）以VLM为认知核心，将任务分解为感知、规划、控制三层架构，通过显式中间表示（如场景图、任务树）连接各模块。VLM（如GPT-4V、PaLI-X）解析视觉输入，生成场景描述（如"桌上有杯子，左侧有书本"）；符号推理引擎（如 PDDL 规划器）将语言指令转化为动作序列（如"移动→抓取→放置"）；传统控制器（如MPC、阻抗控制）执行底层运动

端到端模型又可拆分为预训练模型和非预训练模型，预训练模型（如 RDT）采用强化学习和 sim2real 的方式生成大量数据并进行迁移，具体可以参考这些文章；非预训练模型（如 DP）通过设计快速采集设备（如 UMI 和 Dexcap）通过模仿学习的方式采集海量真机数据具体可以参考这些文章

作为自己的核心研发方向，主要针对端到端模型进行研究

端到端模型底层核心采用了深度生成模型，如 ACT 基于 VAE，扩散策略基于扩散模型

因此先梳理一下生成式模型

1 判别式模型与生成式模型

1.1 判别式模型

1.2 生成式模型

2 基于似然的生成模型

2.1 自回归模型

2.2 变分自编码器（VAE）

3 基于能量的生成模型

3.1 生成对抗网络（GAN）

3.2 扩散模型与稳定扩散模型

4 对比总结

1 判别式模型与生成式模型

人工智能（AI）模型可以大致分为两大类：判别式模型和生成式模型

1.1 判别式模型

判别式模型主要用于预测和分类任务。它们直接对输入数据进行建模，学习输入与目标标签之间的映射关系。典型的应用场景包括图像分类、语音识别以及自然语言处理中的文本分类。数学上，判别式模型通常直接估计后验概率 P(y|x)：

$P(y|x) = \frac{P(x, y)}{P(x)}$

其中，x 为输入数据，y 为类别或标签。常见的判别式模型有逻辑回归、支持向量机（SVM）、决策树以及深度神经网络中的卷积神经网络（CNN）和循环神经网络（RNN）

1.2 生成式模型

与判别式模型不同，生成式模型旨在根据用户需求自动生成内容，例如生成图片、语音、视频等，并支持调整输入参数以实现内容定制化。生成式模型不仅关注数据的条件关系，还要捕捉数据的整体分布，从而生成符合实际分布的新样本，支持多模态数据。数学上，生成式模型通常建立在对数据分布 P(x) 或条件分布 P(x|y) 的建模上。当前主流的深度生成模型可分为两大类：

基于似然的模型（如自回归模型和GPT）通过明确的似然函数进行优化，使得模型具有可追踪性
基于能量的模型（如GAN和扩散模型）则依赖于能量函数构建概率分布，虽然训练上具有一定难度，但在生成高质量样本方面展现出强大能力

2 基于似然的生成模型

基于似然的模型通过显式地计算数据的似然值，从而使得模型训练具有明确的目标函数。这类模型在理论上具有可追踪的似然性，在优化模型参数时可以直接使用数据的对数似然估计

2.1 自回归模型

自回归模型是一类典型的基于似然的生成模型，其核心思想是将联合分布分解为一系列条件分布。例如，对于序列数据 x=(x1,x2,…,xn)，可以将其联合概率表示为：

$p(x) = \prod_{i=1}^{n} p(x_i \mid x_1, x_2, \dots, x_{i-1})$

这种模型在文本生成中得到了广泛应用，GPT（Generative Pre-trained Transformer）便是典型的自回归生成模型，其训练目标就是最大化训练数据的对数似然：

$\mathcal{L} = \sum_{i=1}^{n} \log p(x_i \mid x_1, \dots, x_{i-1})$

2.2 变分自编码器（VAE）

变分自编码器（VAE）通过引入隐变量 z 来捕捉数据的潜在结构，并利用变分推断方法来近似计算数据的似然。其目标是最大化变分下界（Evidence Lower Bound, ELBO），公式为：

$\mathcal{L} = \mathbb{E}_{q(z \mid x)}\left[\log p(x \mid z)\right] - \text{KL}\left(q(z \mid x) \parallel p(z)\right)$

其中，q(z∣x) 为近似后验分布，p(z) 为先验分布， $\text{KL}(\cdot\parallel\cdot)$ 为 Kullback-Leibler 散度，用于衡量两个分布之间的差异

VAE 的优势在于其生成过程的连续性和模型训练时的稳定性，但往往在生成样本的清晰度上略逊于自回归模型

3 基于能量的生成模型

基于能量的生成模型侧重于定义一个能量函数 E(x) 来衡量样本的“能量”或“不合理性”，从而构造概率分布。生成样本时，通过降低能量来获得高概率的样本，其概率分布可以表示为：

$p(x) = \frac{\exp(-E(x))}{Z}$

其中 Z 为归一化因子（又称分区函数），定义为：

$Z = \int \exp(-E(x)) \, dx$

3.1 生成对抗网络（GAN）

生成对抗网络（GAN）虽然在参数化上具有较大的灵活性，但实际上也可以看作是一种基于能量思想的模型。GAN 由生成器 G 和判别器 D 组成，其目标是通过博弈论的方式达到如下目标：

生成器：生成尽可能逼真的样本，使得判别器无法区分生成样本与真实样本
判别器：区分真实样本和生成样本

其训练过程通常采用交替优化的方式，损失函数形式为：

$\min_G \max_D \; \mathbb{E}_{x\sim p_{data}(x)}[\log D(x)] + \mathbb{E}_{z\sim p(z)}[\log(1-D(G(z)))]$

3.2 扩散模型与稳定扩散模型

扩散模型是的核心思想是先将数据逐步添加噪声直至完全随机化，然后通过学习反向扩散过程逐步还原数据。该过程可以描述为一系列马尔科夫链的逆过程。扩散模型中通常采用的策略是最小化数据与重构数据之间的距离，常见的损失函数为均方误差（MSE）：

$\mathcal{L}_{\text{diff}} = \mathbb{E}\left[\|x - \hat{x}\|^2\right]$

其中 x^ 为通过逆扩散过程还原的样本。稳定扩散模型（Stable Diffusion）作为扩散模型的典型应用，凭借其较高的生成质量和多样性在图像生成领域取得了显著的成果

虽然基于能量的模型在参数化和生成多样性方面具有优势，但由于涉及归一化因子的计算以及复杂的逆过程，其训练过程通常比基于似然的模型更为困难，需要精细的设计和大量计算资源

4 对比总结

判别式模型主要用于预测和分类，直接学习输入到标签之间的映射
生成式模型则致力于从数据分布中生成符合实际样本的新数据，支持多模态数据（图像、语音、视频等）的生成
基于似然的生成模型（如自回归模型和变分自编码器）通过明确的似然函数进行优化，使得模型具有可追踪性
基于能量的生成模型（如GAN和扩散模型）则依赖于能量函数构建概率分布，虽然训练上具有一定难度，但在生成高质量样本方面展现出强大能力

这些模型各自有不同的应用场景和发展方向

1 判别式模型与生成式模型

1.1 判别式模型

1.2 生成式模型

2 基于似然的生成模型

2.1 自回归模型

2.2 变分自编码器（VAE）

3 基于能量的生成模型

3.1 生成对抗网络（GAN）

3.2 扩散模型与稳定扩散模型

4 对比总结

相关文章：